【问题标题】:Create a RDD : too many fields => use case class for RDD创建一个 RDD:太多字段 => RDD 用例类
【发布时间】:2017-01-30 10:41:49
【问题描述】:

我有一个入侵数据集,我想用它来测试不同的监督机器学习技术。

所以这是我的代码的一部分:

object parser_dataset {

   val conf = new SparkConf()
       .setMaster("local[2]")
       .setAppName("kdd")
       .set("spark.executor.memory", "8g")
        conf.registerKryoClasses(Array(
        classOf[Array[Any]],
        classOf[Array[scala.Tuple3[Int, Int, Int]]],
        classOf[String],
        classOf[Any]
    ))
    val context = new SparkContext(conf)

    def load(file: String): RDD[(Int, String, String,String,Int,Int,Int,Int,Int,Int,Int,Int,Int,Int,Int,Int,Int,Int,Int,Int,Int,Int,Int,Int,Double,Double,Double,Double,Double,Double,Double, Int, Int,Double, Double, Double, Double, Double, Double, Double, Double, String)] = {

        val data = context.textFile(file)

        val res = data.map(x => {

            val s = x.split(",")
        (s(0).toInt, s(1), s(2), s(3), s(4).toInt, s(5).toInt, s(6).toInt, s(7).toInt, s(8).toInt, s(9).toInt, s(10).toInt, s(11).toInt, s(12).toInt, s(13).toInt, s(14).toInt, s(15).toInt, s(16).toInt, s(17).toInt, s(18).toInt, s(19).toInt, s(20).toInt, s(21).toInt, s(22).toInt, s(23).toInt, s(24).toDouble, s(25).toDouble, s(26).toDouble, s(27).toDouble, s(28).toDouble, s(29).toDouble, s(30).toDouble, s(31).toInt, s(32).toInt, s(33).toDouble, s(34).toDouble, s(35).toDouble, s(36).toDouble, s(37).toDouble, s(38).toDouble, s(39).toDouble, s(40).toDouble, s(41))    
        })
        .persist(StorageLevel.MEMORY_AND_DISK)
    return res
    }


   def main(args: Array[String]) {
     val data = this.load("/home/hvfd8529/Datasets/KDDCup99/kddcup.data_10_percent_corrected")

     data1.collect.foreach(println)
     data.distinct() 

    }

}

这不是我的代码,它是给我的,我只是修改了一些部分(尤其是 RDD 和拆分部分),我是 Scala 和 Spark 的新手 :)

编辑: 所以我在加载函数上方添加了案例类,如下所示:

case class BasicFeatures(duration:Int, protocol_type:String, service:String, flag:String, src_bytes:Int, dst_bytes:Int, land:Int, wrong_fragment:Int, urgent:Int) 

case class ContentFeatures(hot:Int, num_failed_logins:Int, logged_in:Int, num_compromised:Int, root_shell:Int, su_attempted:Int, num_root:Int, num_file_creations:Int, num_shells:Int, num_access_files:Int, num_outbound_cmds:Int, is_host_login:Int, is_guest_login:Int)

case class TrafficFeatures(count:Int, srv_count:Int, serror_rate:Double, srv_error_rate:Double, rerror_rate:Double, srv_rerror_rate:Double, same_srv_rate:Double, diff_srv_rate:Double, srv_diff_host_rate:Double, dst_host_count:Int, dst_host_srv_count:Int, dst_host_same_srv_rate:Double, dst_host_diff_srv_rate:Double, dst_host_same_src_port_rate:Double, dst_host_srv_diff_host_rate:Double, dst_host_serror_rate:Double, dst_host_srv_serror_rate:Double, dst_host_rerror_rate:Double, dst_host_srv_rerror_rate:Double, attack_type:String )

但是现在我很困惑,我该如何使用这些来解决我的问题,因为我仍然需要一个 RDD 才能拥有一个特性 = 一个字段 这是我要解析的文件的一行:

0,tcp,ftp_data,SF,491,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,2,2,0.00,0.00,0.00,0.00,1.00,0.00,0.00,150,25,0.17,0.03,0.17,0.00,0.00,0.00,0.05,0.00,normal,20

【问题讨论】:

  • 老实说,在我看来,使用 22 字段元组是非常糟糕的做法,元组什么都没有描述。尽管有这个问题,请考虑使用自己的类,这有一些含义。一年后你必须修改代码时,你会说“谢谢”;)
  • 我同意@T.Gawęda。你也想阅读this
  • 谢谢,确实是重复的,我确实认为我是因为它有太多字段但找不到关于它的主题:/ 那么你会怎么做@T.Gawęda 来写我可以在 spark 中使用“类似”的东西?
  • @LaureD 您可以创建案例类。它也会很大,但字段会有一些含义 - 稍后您将知道哪些字段意味着什么而无需阅读完整的代码

标签: scala apache-spark rdd


【解决方案1】:

Scala 支持的最大元组大小为 22。Scala 函数有 22 个参数的限制。因此,您不能创建大小超过 22 的元组。

【讨论】:

    猜你喜欢
    • 2019-08-11
    • 2017-01-07
    • 1970-01-01
    • 2020-03-15
    • 1970-01-01
    • 2020-09-22
    • 2021-04-08
    • 2014-12-25
    • 1970-01-01
    相关资源
    最近更新 更多