我有一个包含键值对的 rdd。只有 3 个键,我想将给定键的所有元素写入文本文件。目前我分 3 次完成此操作,但我想看看我是否可以一次完成。
这是我目前所拥有的:
# I have an rdd (called my_rdd) such that a record is a key value pair, e.g.:
# ('data_set_1','value1,value2,value3,...,value100')
my_rdd.cache()
my_keys = ['data_set_1','data_set_2','data_set_3']
for key in my_keys:
my_rdd.filter(lambda l: l[0] == key).map(lambda l: l[1]).saveAsTextFile(my_path+'/'+key)
这是有效的,但是缓存它并迭代三次可能是一个漫长的过程。请问有什么方法可以同时写入这三个文件吗?
最佳答案
使用自定义分区器的替代方法(与 Def_Os 提供的方法相比,它在写入输出文件之前对数据集进行分区)
例如:
RDD[(K, W)].partitionBy(partitioner: Partitioner)
class CustmozedPartitioner extends Partitioner {
override def numPartitions: Int = 4
override def getPartition(key: Any): Int = {
key match {
case "data_set_1" => 0
case "data_set_2" => 1
case "data_set_3" => 2
case _ => 3
}
}
}
关于python - 将 RDD 写入 PySpark 中的多个文件,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/34865405/