从Pyspark中的RDD中提取字典

Question

这是一个功课问题：

我有一个RDD ，它是一个集合os元组。 我还有从每个输入元组返回字典的函数。 不知何故，与减少功能相反。

有了地图，我可以很容易地从一个去RDD元组到RDD字典。 但是，因为字典是的（键，值）对的集合，我想的转换RDD字典到RDD （键，值），每个字典内容的元组。

这样，如果我的RDD包含10个元组，那么我得到一个RDD其中包含10个带有5个元素的字典（例如），最后我获得了50个元组的RDD 。

我认为这必须是可能的但是，怎么样？ （也许问题是我不知道这个操作是如何用英语调用的）

Answer 1

我的2美分：

有一个名为“collectAsMap”的PairRDD函数，它从RDD返回一个字典。

让我举个例子：

sample = someRDD.sample(0, 0.0001, 0)
sample_dict = sample.collectAsMap()
print sample.collect()
print sample_dict

[('hi', 4123.0)]
{'hi': 4123.0}

文档在这里

希望能帮助到你！ 问候！

Answer 2

我想你想要的只是一个flatMap ：

dicts = sc.parallelize([{"foo": 1, "bar": 2}, {"foo": 3, "baz": -1, "bar": 5}])
dicts.flatMap(lambda x: x.items())

flatMap将函数从RDD元素转换为iterable，然后连接结果。 Spark上下文之外的相同类型操作的另一个名称是mapcat ：

>>> from toolz.curried import map, mapcat, concat, pipe
>>> from itertools import repeat
>>> pipe(range(4), mapcat(lambda i: repeat(i, i + 1)), list)
[0, 1, 1, 2, 2, 2, 3, 3, 3, 3]

或者一步一步走：

>>> pipe(range(4), map(lambda i: repeat(i, i + 1)), concat, list)
[0, 1, 1, 2, 2, 2, 3, 3, 3, 3]

使用itertools.chain

>>> from itertools import chain
>>> pipe((repeat(i, i + 1) for i in  range(4)), chain.from_iterable, list)
>>> [0, 1, 1, 2, 2, 2, 3, 3, 3, 3]