Spark SQL count（）返回错误的数字

Question

我是Apache Spark和Scala的新手（通常也是Hadoop的初学者）。 我完成了Spark SQL教程： https : //spark.apache.org/docs/latest/sql-programming-guide.html我尝试对标准csv文件执行简单查询，以比较其在当前集群上的性能。

我使用了来自https://s3.amazonaws.com/hw-sandbox/tutorial1/NYSE-2000-2001.tsv.gz的数据，将其转换为csv并复制/粘贴了数据，使其变成原来的10倍。

我使用Scala将其加载到Spark中：

// sc is an existing SparkContext.
val sqlContext = new org.apache.spark.sql.SQLContext(sc)

// createSchemaRDD is used to implicitly convert an RDD to a SchemaRDD.
import sqlContext.createSchemaRDD

定义类：

case class datum(exchange: String,stock_symbol: String,date: String,stock_price_open: Double,stock_price_high: Double,stock_price_low: Double,stock_price_close: Double,stock_volume: String,stock_price_adj_close: Double)

读入数据：

val data = sc.textFile("input.csv").map(_.split(";")).filter(line => "exchange" != "exchange").map(p => datum(p(0).trim.toString, p(1).trim.toString, p(2).trim.toString, p(3).trim.toDouble, p(4).trim.toDouble, p(5).trim.toDouble, p(6).trim.toDouble, p(7).trim.toString, p(8).trim.toDouble))

转换为表格：

data.registerAsTable("data")

定义查询（列出所有以“ IBM”作为股票代号的行）：

val IBMs = sqlContext.sql("SELECT * FROM data WHERE stock_symbol ='IBM'")

执行计数，以便查询实际运行：

IBMs.count()

该查询运行正常，但返回res：0而不是5000（这是使用Hive和MapReduce返回的结果）。

Answer 1

filter(line => "exchange" != "exchange")

由于“ exchange”等于“ exchange”，因此过滤器将返回大小为0的集合。并且由于没有数据，因此查询任何结果将返回0。您需要重新编写逻辑。