在Spark中使用Lambda进行列表转换

Question

我正在尝试采用包含成对的整数范围的RDD，并对其进行转换，以使每个对都具有第三个术语，该术语对范围内的可能值进行迭代。 基本上，我有这个：

[[1,10], [11,20], [21,30]]

最后，我想这样：

[[1,1,10], [2,1,10], [3,1,10], [4,1,10], [5,1,10]...]

我要转换的文件非常大，这就是为什么我希望使用PySpark而不是仅在本地计算机上使用Python来执行此操作的原因（我有一种方法可以在CSV文件上本地进行处理，但是根据文件的大小，此过程需要几个小时）。 到目前为止，我已经知道了：

a = [[1,10], [11,20], [21,30]]
b = sc.parallelize(a)
c = b.map(lambda x: [range(x[0], x[1]+1), x[0], x[1]])
c.collect()

产生：

>>> c.collect()
[[[1, 2, 3, 4, 5, 6, 7, 8, 9, 10], 1, 10], [[11, 12, 13, 14, 15, 16, 17, 18, 19, 20], 11, 20], [[21, 22, 23, 24, 25, 26, 27, 28, 29, 30], 21, 30]]

我无法弄清楚下一步需要做什么，以便在扩展的范围内进行迭代，并将每一个与范围定界符配对。

有任何想法吗？

编辑5/8/2017 3:00 PM

适用于CSV输入的本地Python技术是：

import csv
import gzip
csvfile_expanded = gzip.open('C:\output.csv', 'wb')
ranges_expanded = csv.writer(csvfile_expanded, delimiter=',', quotechar='"')
csvfile = open('C:\input.csv', 'rb')
ranges = csv.reader(csvfile, delimiter=',', quotechar='"')
for row in ranges:
    for i in range(int(row[0]),int(row[1])+1):
         ranges_expanded.writerow([i,row[0],row[1])

我要询问的PySpark脚本从已经加载到HDFS并转换为RDD的CSV文件开始。

Answer 1

尝试这个：

c = b.flatMap(lambda x: ([y, x[0], x[1]] for y in xrange(x[0], x[1]+1)))

flatMap()确保范围内的每个元素获得一条输出记录。 还要注意将外部( )与xrange结合使用-这是一个生成器表达式，可以避免在执行程序的内存中实现整个范围。

注意： xrange()是Python2。 如果您正在运行Python3，请使用range()