Как создать новый СДР без вложенного преобразования - PullRequest
Новая
       7

Как создать новый СДР без вложенного преобразования

0 голосов
/ 18 сентября 2018

Я хотел бы создать СДР с записями в следующем формате:

(поездка, (данные начальной станции), (данные конечной станции)) 

import org.apache.spark._

val input1 = sc.textFile("data/trips/*")
val header1 = input1.first // to skip the header row
val trips = input1.filter(_ != header1).map(_.split(","))

val input2 = sc.textFile("data/stations/*")
val header2 = input2.first // to skip the header row
val stations = input2.filter(_!=header2).map(_.split(",")).keyBy(_(0).toInt)

def pjoined (joined: (Array[String], Array[String], Array[String])) = {
    println(""+joined._1.deep.mkString(",")+"; "+joined._2.deep.mkString(",")+"; "+joined._3.deep.mkString(","))
}

val joinedtrips = trips.map(tup => (tup, (stations.filter(_._1==tup(4).toInt).first._2), (stations.filter(_._1==tup(7).toInt).first._2)))
joinedtrips.take(5).foreach(pjoined)

Второй последнийошибка строки со следующей ошибкой:

org.apache.spark.SparkException: преобразования и действия RDD могут вызываться только драйвером, но не внутри других преобразований;например, rdd1.map (x => rdd2.values.count () * x) недопустим, поскольку преобразование значений и действие count не могут быть выполнены внутри преобразования rdd1.map.

Каким был бы правильный и эффективный способ добиться этого?

station.csv: 

station_id,name,lat,long,dockcount,landmark,installation,notes
2,San Jose Diridon Caltrain Station,37.329732,-121.901782,27,San Jose,8/6/2013,
3,San Jose Civic Center,37.330698,-121.888979,15,San Jose,8/5/2013,
...

trips.csv: 

Trip ID,Duration,Start Date,Start Station,Start Terminal,End Date,End Station,End Terminal,Bike #,Subscription Type,Zip Code
4258,114,8/29/2013 11:33,San Jose City Hall,10,8/29/2013 11:35,MLK Library,11,107,Subscriber,95060
4265,151,8/29/2013 11:40,San Francisco City Hall,58,8/29/2013 11:42,San Francisco City Hall,58,520,Subscriber,94110
...

station_id в station.csv должен совпадать с Start Terminal (индекс 4) и End Terminal (индекс 7) в trips.csv

1 Ответ

0 голосов
/ 18 сентября 2018

Два способа сделать это.Кроме того, прочитайте комментарий Шайдо, чтобы использовать Dataframe. 

val bcStations = sc.broadcast(stations.collectAsMap)

val joined = trips.map(trip =>{
    (trip, bcStations.value.getOrElse(trip(4).toInt, Nil), bcStations.value.getOrElse(trip(7).toInt, Nil))
})

println(joined.toDebugString)

joined.take(1)

val mapStations = stations.collectAsMap

val joinedtrips = trips.map(trip => {
    (trip, mapStations.getOrElse(trip(4).toInt, Nil), mapStations.getOrElse(trip(7).toInt, Nil))
})

joinedtrips.take(1)
...