如何在pyspark中将DataFrame转换回普通RDD？

Question

我需要使用

(rdd.)partitionBy(npartitions, custom_partitioner)

DataFrame上不可用的方法。 所有DataFrame方法仅引用DataFrame结果。 那么如何从DataFrame数据创建RDD呢？

注意：这是从1.2.0开始的更改（在1.3.0中）。

从@dpangmao的答案更新 ：方法是.rdd。 我有兴趣了解（a）它是否公开以及（b）性能影响是什么。

那么（a）是肯定的和（b） - 你可以在这里看到有重要的性能影响：必须通过调用mapPartitions创建一个新的RDD：

在dataframe.py中 （注意文件名也改变了（是sql.py）：

@property
def rdd(self):
    """
    Return the content of the :class:`DataFrame` as an :class:`RDD`
    of :class:`Row` s.
    """
    if not hasattr(self, '_lazy_rdd'):
        jrdd = self._jdf.javaToPython()
        rdd = RDD(jrdd, self.sql_ctx._sc, BatchedSerializer(PickleSerializer()))
        schema = self.schema

        def applySchema(it):
            cls = _create_cls(schema)
            return itertools.imap(cls, it)

        self._lazy_rdd = rdd.mapPartitions(applySchema)

    return self._lazy_rdd

Answer 1

像这样使用方法.rdd ：

rdd = df.rdd

Answer 2

@dapangmao的答案有效，但它不会给常规的火花RDD，它会返回一个Row对象。 如果你想拥有常规的RDD格式。

试试这个：

rdd = df.rdd.map(tuple)

要么

rdd = df.rdd.map(list)

Answer 3

kennyut / Kistian给出的答案非常有效，但是当RDD由属性列表组成时，如果得到RDD就像输出一样，例如[1,2,3,4]我们可以使用如下的flatmap命令，

rdd = df.rdd.flatMap(list)
or 
rdd = df.rdd.flatmap(lambda x: list(x))