在Spark中将数据帧转换为映射（键值）

Question

我在Spark中有一个数据框，看起来像这样：

它有30列：只显示其中的一些！

[ABCD,color,NORMAL,N,2015-02-20,1]
[XYZA,color,NORMAL,N,2015-05-04,1]
[GFFD,color,NORMAL,N,2015-07-03,1]
[NAAS,color,NORMAL,N,2015-08-26,1]
[LOWW,color,NORMAL,N,2015-09-26,1]
[KARA,color,NORMAL,N,2015-11-08,1]
[ALEQ,color,NORMAL,N,2015-12-04,1]
[VDDE,size,NORMAL,N,2015-12-23,1]
[QWER,color,NORMAL,N,2016-01-18,1]
[KDSS,color,NORMAL,Y,2015-08-29,1]
[KSDS,color,NORMAL,Y,2015-08-29,1]
[ADSS,color,NORMAL,Y,2015-08-29,1]
[BDSS,runn,NORMAL,Y,2015-08-29,1]
[EDSS,color,NORMAL,Y,2015-08-29,1]

因此，我必须在Scala中将这个数据帧转换成一个键值对，使用键作为数据帧中的一些列，并为这些键分配从索引0到计数（不同的键数）的唯一值。

例如：使用上面的案例，我希望在Scala中的map（key-value）集合中有一个输出，如下所示：

    ([ABC_color_NORMAL_N_1->0]
    [XYZA_color_NORMAL_N_1->1]
    [GFFD_color_NORMAL_N_1->2]
    [NAAS_color_NORMAL_N_1->3]
    [LOWW_color_NORMAL_N_1->4]
    [KARA_color_NORMAL_N_1->5]
    [ALEQ_color_NORMAL_N_1->6]
    [VDDE_size_NORMAL_N_1->7]
    [QWER_color_NORMAL_N_1->8]
    [KDSS_color_NORMAL_Y_1->9]
    [KSDS_color_NORMAL_Y_1->10]
    [ADSS_color_NORMAL_Y_1->11]
    [BDSS_runn_NORMAL_Y_1->12]
    [EDSS_color_NORMAL_Y_1->13]
    )

我对斯卡拉和斯帕克是新手，我试着做这样的事情。

 var map: Map[String, Int] = Map()
    var i = 0
    dataframe.foreach( record =>{
    //Is there a better way of creating a key!
        val key = record(0) + record(1) + record(2) + record(3)
        var index = i
        map += (key -> index)
        i+=1
          }
        )

但是，这不起作用。：/此操作完成后，映射为空。

Answer 1

代码中的主要问题是试图在workers上执行的代码中修改在驱动程序端创建的变量。使用Spark时，RDD转换中的驱动端变量只能用作“只读”值。

明确地：

• 在驱动机上创建地图
• 映射（其初始值为空）被序列化并发送到工作节点
• 每个节点可能会改变映射（本地）
• 当Foreach完成时，结果被丢弃-结果不会返回给驱动程序。

要解决这个问题，您应该选择一个转换，返回一个更改的RDD（例如，map）来创建密钥，使用zipWithIndex添加正在运行的“ID”，然后使用collectaMap将所有数据作为映射返回给驱动程序：

val result: Map[String, Long] = dataframe
  .map(record => record(0) + record(1) + record(2) + record(3))
  .zipWithIndex()
  .collectAsMap()

至于键创建本身——假设您想包括前5列，并在它们之间添加分隔符（_），您可以使用：

record => record.toList.take(5).mkString("_")