经过几次转换,这是我的 RDD 的输出:
( z287570731_serv80i:7:175 , 5:Re )
( p286274731_serv80i:6:100 , 138 )
( t219420679_serv37i:2:50 , 5 )
( v290380588_serv81i:12:800 , 144:Jo )
( z292902510_serv83i:4:45 , 5:Re )
使用此数据作为输入 RDD,我想提取两个分号之间的值。
例如:
Input = ( z287570731_serv80i:7:175 , 5:Re )
Output = 7 (:7:)
这就是我尝试做的事情
val processedRDD = tid.map{
case (inString, inInt) =>
val RegEx = """.*:([\d.]+):.*""".r
val table_level = RegEx.findFirstIn(inString)
}
processedRDD.collect().foreach(println)
这是我得到的输出:
()
()
()
()
()
()
()
如何做到 Spark-way?
最佳答案
这里有非常好的答案,但我错过了一个我相信可以轻松击败所有答案的答案:) 这正是我喜欢 Scala 的原因 - 因为它的灵 active 。
解决方案
scala> val solution = rdd.
map { case (left, right) => left }.
map(_.split(":")).
map { case Array(_, takeMe, _) => takeMe }.
collect
solution: Array[String] = Array(7, 6, 2, 12, 4)
我相信该解决方案在可读性和理解性方面很难被击败。它只是说明了它的作用(就像一首好诗)。
说明
以下是您的 RDD(由于 Spark SQL 的 Dataset.show
,格式良好的输出)。
scala> rdd.toDF.show(false)
+-------------------------+------+
|_1 |_2 |
+-------------------------+------+
|z287570731_serv80i:7:175 |5:Re |
|p286274731_serv80i:6:100 |138 |
|t219420679_serv37i:2:50 |5 |
|v290380588_serv81i:12:800|144:Jo|
|z292902510_serv83i:4:45 |5:Re |
+-------------------------+------+
// Compare to this assembler-like way and you understand why you should use Spark SQL for this
scala> rdd.foreach(println)
(z287570731_serv80i:7:175,5:Re)
(p286274731_serv80i:6:100,138)
(t219420679_serv37i:2:50,5)
(v290380588_serv81i:12:800,144:Jo)
(z292902510_serv83i:4:45,5:Re)
第一步是删除右列。模式匹配 FTW!
scala> rdd.map { case (left, right) => left }.foreach(println)
z292902510_serv83i:4:45
t219420679_serv37i:2:50
v290380588_serv81i:12:800
p286274731_serv80i:6:100
z287570731_serv80i:7:175
使用临时 RDD,您可以使用 :
作为分隔符分割字符串并获取第二个单词。再次是 Scala 的模式匹配 FTW!
val oneColumnOnly = rdd.map { case (left, right) => left }
scala> oneColumnOnly.
map(_.split(":")). // <-- split
map { case Array(_, takeMe, _) => takeMe }. // <-- take the 2nd field
foreach(println)
6
12
4
2
7
关于scala - 如何提取RDD中字符串的一部分?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/44718878/