从多行生成一行到 RDD答案

【问题标题】：Generate one rows from many rows into an RDD从多行生成一行到 RDD
【发布时间】：2016-11-30 16:43:24
【问题描述】：

我需要将 rdd 转换为两行，而不是 rdd 转换为一行。示例：

rdd1=a
     b

我需要：

rdd2=(a,b)

如何在 pyspark 中执行此步骤？这个问题可能很愚蠢，但我是新来的。 “更新” 这是在 rdd2 和 rdd3 之间执行笛卡尔运算，从 rdd1 开始。喜欢：

rdd3:(k,l)
     (c,g)
     (f,x)

我想要这个输出：

rddOut:[(a,b),(k,l)]
       [(a,b),(c,g)]
       [(a,b),(f,x)]

提前致谢

【问题讨论】：

标签： python apache-spark pyspark rows rdd

【解决方案1】：

更新我的答案：

initRDD = sc.parallelize(list('aeiou')).map(lambda x: (x, ord(x))).collect()

ssc = StreamingContext(sc, batchDuration=3)

lines = ssc.socketTextStream('localhost', 9999)
items = lines.flatMap(lambda x: x.split())
counts = items.countByValue().map(lambda x: ([x] + initRDD))

它看起来像广播而不是笛卡尔。

【讨论】：

【解决方案2】：

您能详细解释一下您的需求吗？拥有单行的 RDD 并不是一个好主意，因为您会失去所有并行性。

如果你想通过key来收集数据，你可以将RDD转换成pairs（key和value）的RDD。然后，您可以执行 reduceByKey 以便通过将 reduce 函数作为列表连接来通过键将所有内容收集到列表中。

【讨论】：

问题是我必须对两个相同的 rdds 执行测量距离（在两者之间执行笛卡尔），但结果太大了，因为我正在使用大规模数据集。所以想法是取 rdd1 的第一行，对所有 rdd2（与 rdd1 相同）执行笛卡尔运算，然后发出一个输出文件。去掉rdd1的第一行，取新的第一行，用rdd2进行笛卡尔运算，生成第二个文件等

【解决方案3】：

如果我对您的问题的理解是正确的，那么使用 flatMap 将为您提供所需的输出。

【讨论】：