MAP (PySpark) 返回的元组列表（或迭代器）

Question

我有一个映射器方法：

def mapper(value):
    ...
    for key, value in some_list:
        yield key, value

实际上，我需要的与普通的字数示例相差不远。我已经有了工作脚本，但前提是映射器方法看起来像这样：

def mapper(value):
    ...
    return key, value

它的调用是这样的：

sc.textFile(sys.argv[2], 1).map(mapper).reduceByKey(reducer).collect()

我花了 2 个小时尝试编写支持 mapper 中的生成器的代码。但不能那样做。我什至同意只返回一个列表：

def mapper(value):
    ...
    result_list = []
    for key, value in some_list:
        result_list.append( key, value )
    return result_list

这里：https://groups.google.com/forum/#!searchin/spark-users/flatmap$20multiple/spark-users/1WqVhRBaJsU/-D5QRbenlUgJ 我发现我应该使用 flatMap，但它没有解决问题 - 然后我的减速器开始获取 (key1, value1, key2, value2, value3, ...) 之类的输入 - 但它应该是 [(key1, value1 ), (key2, value2, value3)...]。也就是说，reducer 开始只取单件，不知道是 value 还是 key，如果 value - 它属于哪个 key。

那么如何使用返回迭代器或列表的映射器呢？

谢谢！

Answer 1

如果你想要一个返回多个输出的映射函数，你可以使用flatMap。

传递给flatMap的函数可以返回一个可迭代对象：

>>> words = sc.textFile("README.md")
>>> def mapper(line):
...     return ((word, 1) for word in line.split())
...
>>> words.flatMap(mapper).take(4)
[(u'#', 1), (u'Apache', 1), (u'Spark', 1), (u'Lightning-Fast', 1)]
>>> counts = words.flatMap(mapper).reduceByKey(lambda x, y: x + y)
>>> counts.take(5)
[(u'all', 1), (u'help', 1), (u'webpage', 1), (u'when', 1), (u'Hadoop', 12)]

也可以是生成器函数：

>>> words = sc.textFile("README.md")
>>> def mapper(line):
...     for word in line.split():
...         yield (word, 1)
...
>>> words.flatMap(mapper).take(4)
[(u'#', 1), (u'Apache', 1), (u'Spark', 1), (u'Lightning-Fast', 1)]
>>> counts = words.flatMap(mapper).reduceByKey(lambda x, y: x + y)
>>> counts.take(5)
[(u'all', 1), (u'help', 1), (u'webpage', 1), (u'when', 1), (u'Hadoop', 12)]

您提到您尝试了flatMap，但它将所有内容都压缩为一个列表[key, value, key, value, ...]，而不是一个列表[(key, value), (key, value)...]的键值对。我怀疑这是您的地图功能中的问题。如果您仍然遇到此问题，能否发布更完整的地图功能版本？