software - spark scala tutorial

Cómo imprimir los contenidos de RDD?

Question

Estoy intentando imprimir el contenido de una colección en la consola Spark.

Tengo un tipo:

linesWithSessionId: org.apache.spark.rdd.RDD[String] = FilteredRDD[3]

Y uso el comando:

scala> linesWithSessionId.map(line => println(line))

Pero esto está impreso:

res1: org.apache.spark.rdd.RDD [Unit] = MappedRDD [4] en el mapa en: 19

¿Cómo puedo escribir el RDD en la consola o guardarlo en el disco para que pueda ver su contenido?

Answer 1

En lugar de escribir cada vez, puede;

[1] Cree un método de impresión genérico dentro de Spark Shell.

def p(rdd: org.apache.spark.rdd.RDD[_]) = rdd.foreach(println)

[2] O mejor aún, usando implícitos, puedes agregar la función a la clase RDD para imprimir su contenido.

implicit class Printer(rdd: org.apache.spark.rdd.RDD[_]) {
def print = rdd.foreach(println)
}

Ejemplo de uso:

val rdd = sc.parallelize(List(1,2,3,4)).map(_*2)
p(rdd) // 1
rdd.print // 2

Salida:

2
6
4
8

PD. Esto solo tiene sentido si está trabajando en modo local y con una pequeña cantidad de conjunto de datos. De lo contrario, no podrá ver los resultados en el cliente o se quedará sin memoria debido al gran resultado del conjunto de datos.

Answer 2

En python

 linesWithSessionIdCollect = linesWithSessionId.collect()
linesWithSessionIdCollect

Esto imprimirá todos los contenidos del RDD

Answer 3

La función de map es una transformación , lo que significa que Spark no evaluará realmente su RDD hasta que ejecute una acción en él.

Para imprimirlo, puede usar foreach (que es una acción):

linesWithSessionId.foreach(println)

Para escribirlo en el disco, puede usar una de las funciones saveAs... (acciones fijas) de la API de RDD

Answer 4

Probablemente haya muchas diferencias arquitectónicas entre myRDD.foreach(println) y myRDD.collect().foreach(println) (no solo ''collect'', sino también otras acciones). Una de las diferencias que vi es que al hacer myRDD.foreach(println) , la salida estará en orden aleatorio. Por ejemplo: si mi rdd proviene de un archivo de texto donde cada línea tiene un número, la salida tendrá un orden diferente. Pero cuando hice myRDD.collect().foreach(println) , el orden sigue siendo igual que el archivo de texto.

Answer 5

Puede convertir su RDD en un DataFrame luego show() .

// For implicit conversion from RDD to DataFrame
import spark.implicits._
fruits = sc.parallelize([("apple", 1), ("banana", 2), ("orange", 17)])
// convert to DF then show it
fruits.toDF().show()

Esto mostrará las 20 líneas principales de sus datos, por lo que el tamaño de sus datos no debería ser un problema.

+------+---+
| _1| _2|
+------+---+
| apple| 1|
|banana| 2|
|orange| 17|
+------+---+

Answer 6

Si desea ver el contenido de un RDD, una forma es usar collect() :

myRDD.collect().foreach(println)

Sin embargo, esa no es una buena idea cuando el RDD tiene miles de millones de líneas. Use take() para tomar solo unos pocos para imprimir:

myRDD.take(n).foreach(println)

Answer 7

Si está ejecutando esto en un clúster, println no volverá a imprimir en su contexto. RDD traer los datos del RDD a su sesión. Para hacer esto, puede forzarlo a la matriz local y luego imprimirlo:

linesWithSessionId.toArray().foreach(line => println(line))

Answer 8

También puede guardar como un archivo: rdd.saveAsTextFile("alicia.txt")