![](/img/trans.png)
[英]Apache Spark - Converting JavaRDD to DataFrame and vice versa, any performance degradation?
[英]Converting JavaRDD to DataFrame in Spark java
我正在嘗試處理LogFile。 首先,我按照我的要求讀取日志文件並拆分這些文件,並將每個列保存到單獨的JavaRDD中。 現在我需要將這些JavaRDD轉換為DataFrames以供將來操作。 這是我到目前為止所嘗試的代碼:
SparkConf conf = new SparkConf().setAppName("AuctionBid").setMaster("local");
JavaSparkContext sc = new JavaSparkContext(conf);
JavaRDD<String> diskfile = sc.textFile("/Users/karuturi/Downloads/log.txt");
JavaRDD<String> urlrdd=diskfile.flatMap(line -> Arrays.asList(line.split("\t")[0]));
System.out.println(urlrdd.take(1));
SQLContext sql = new SQLContext(sc);
這就是我試圖將JavaRDD轉換為DataFrame的方式:
DataFrame fileDF = sqlContext.createDataFrame(urlRDD, Model.class);
但上面的行不起作用。我對Model.class感到困惑。
任何人都可以建議我。
謝謝。
進口:
import java.io.Serializable;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.function.Function;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
為URL創建POJO類。 我建議你寫日志行,其中包括url,date,time,method,target,.. etc作為成員
public static class Url implements Serializable {
private String value;
public String getValue() {
return value;
}
public void setValue(String value) {
this.value = value;
}
}
從文本文件創建Url對象的RDD
JavaRDD<Url> urlsRDD = spark.read()
.textFile("/Users/karuturi/Downloads/log.txt")
.javaRDD()
.map(new Function<String, Url>() {
@Override
public Url call(String line) throws Exception {
String[] parts = line.split("\\t");
Url url = new Url();
url.setValue(parts[0].replaceAll("[", ""));
return url;
}
});
從RDD創建DataFrame
Dataset<Row> urlsDF = spark.createDataFrame(urlsRDD, Url.class);
你可以做一些事情(我正在從scala轉發,所以借口任何錯別字):
import org.apache.spark.sql.Row
import org.apache.spark.sql.types.DataTypes;
import org.apache.spark.sql.types.StructField;
import org.apache.spark.sql.types.StructType;
JavaRDD<Row> rowRDD = urlrdd.map(new Function<String, Row>() {
@Override
public Row call(String record) throws Exception {
return RowFactory.create(record());
}
}
// now you wish to create the target schema. This is basically a list of
// fields (each field would be a column) which you are adding to a StructType
List<StructField> fields = new ArrayList<>();
StructField field = DataTypes.createStructField("url", DataTypes.StringType, true);
fields.add(field);
StructType schema = DataTypes.createStructType(fields);
// now you can create the dataframe:
DataFrame df= sqlContext.createDataFrame(rowRDD, schema);
一些額外的說明:
當你只拿第一個元素時,你為什么要平平? 你可以簡單地完成:
JavaRDD<String> urlrdd=diskfile.flatMap(line -> line.split("\\t")[0]);
我假設在現實生活中你想從網址中刪除'['(你可以在地圖中輕松地做到這一點)。
如果你要轉向spark 2.0或更高版本,那么你應該使用spark session(spark)來代替sqlContext。
您可以使用所有列創建單個數據框。 您可以通過向架構添加所有字段來實現此目的(即,不只是對字段添加一個添加所有字段)。 而不是使用urlrdd,使用diskfile並在“公共行調用”創建中進行拆分。 這將是這樣的:
JavaRDD<Row> rowRDD = diskfile.map(new Function<String, Row>() { @override public Row call(String record) throws Exception { String[] recs = record.split("\\t") return RowFactory.create(recs[0], recs[1], ...); } });
您可以直接創建它:只需使用
sqlContext.read.option("sep","\\t").csv.load(filename,schema)
只需根據7列表平面繪制數據,然后使用下面的代碼段
String[] columns = new String[7] {"clumn1","column2","column3","column4","column5","column6","column7"};
List<String> tableColumns = Arrays.asList(columns);
StrucType schema = createSchema(tableColumns);
public StructType createSchema(List<String> tableColumns){
List<StructField> fields = new ArrayList<StructField>();
for(String column : tableColumns){
fields.add(DataTypes.createStructField(column, DataTypes.StringType, true));
}
return DataTypes.createStructType(fields);
}
sqlContext.createDataFrame(urlRDD, schema);
您可以直接使用sqlContext直接讀取該文件
使用sqlContext的read方法
有關詳細信息,您可以點擊此鏈接
https://spark.apache.org/docs/1.6.0/sql-programming-guide.html#creating-dataframes
或者你可以導入
import sqlContext.implicits.*;
然后在rdd上使用toDF()
方法轉換為數據幀。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.