我能够运行此脚本以文本格式保存文件，但是当我尝试运行 saveAsSequenceFile 时出现错误。如果有人知道如何将 RDD 保存为序列文件，请告诉我这个过程。我尝试在“Learning Spark”以及 Spark 官方文档中寻找解决方案。
运行成功
dataRDD = sc.textFile("/user/cloudera/sqoop_import/departments")
dataRDD.saveAsTextFile("/user/cloudera/pyspark/departments")
失败
dataRDD = sc.textFile("/user/cloudera/sqoop_import/departments")
dataRDD.saveAsSequenceFile("/user/cloudera/pyspark/departmentsSeq")
Error: An error occurred while calling z:org.apache.spark.api.python.PythonRDD.saveAsSequenceFile. : org.apache.spark.SparkException: RDD element of type java.lang.String cannot be used
数据如下:
2,Fitness
3,Footwear
4,Apparel
5,Golf
6,Outdoors
7,Fan Shop
8,TESTING
8000,TESTING
最佳答案
序列文件用于存储键值对，因此您不能简单地存储 RDD[String]。根据您的数据，我猜您正在寻找这样的东西:
rdd = sc.parallelize([
"2,Fitness", "3,Footwear", "4,Apparel"
])
rdd.map(lambda x: tuple(x.split(",", 1))).saveAsSequenceFile("testSeq")
如果你想保留整个字符串，只需使用 None 键:
rdd.map(lambda x: (None, x)).saveAsSequenceFile("testSeqNone")
关于python - 将RDD保存为pyspark中的序列文件，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/34491579/