我有大小6000的查找RDD内RDD访问,lookup_rdd:RDD [字符串]火花:另一个RDD
a1 a2 a3 a4 a5 .....
和另一个RDD,data_rdd:RDD [(字符串,可迭代[(字符串, INT)])]:(ID,(项目,计数)),它具有唯一的ID,在lookup_rdd
(id1,List((a1,2), (a3,4))) (id2,List((a2,1), (a4,2), (a1,1))) (id3,List((a5,1)))
FOREACH元素我要检查每个ID是否有该元素与否,如果它的存在我把计数,如果不是我把0,和存储在一个文件中。
什么是实现这一目标的有效方法。哈希可能吗?例如。输出我想要的是:
id1,2,0,4,0,0 id2,1,1,0,2,0 id3,0,0,0,0,1
我已经试过这样:
val headers = lookup_rdd.zipWithIndex().persist()
val indexing = data_rdd.map{line =>
val id = line._1
val item_cnt_list = line._2
val arr = Array.fill[Byte](6000)(0)
item_cnt_list.map(c=>(headers.lookup(c._1),c._2))
}
indexing.collect().foreach(println)
我得到异常:
org.apache.spark.SparkException: RDD transformations and actions can only be invoked by the driver, not inside of other transformations
6000 entires是一个非常小的数据集。考虑收集驱动程序,然后广播 –