将RDD保存为pyspark中的序列文件

Question

我可以运行此脚本以文本格式保存文件，但是当我尝试运行 saveAsSequenceFile 时出现错误。如果有人知道如何将 RDD 保存为序列文件，请告诉我这个过程。我尝试在 "Learning Spark" 以及官方 Spark 文档中寻找解决方案。

这运行成功了

dataRDD = sc.textFile("/user/cloudera/sqoop_import/departments")
dataRDD.saveAsTextFile("/user/cloudera/pyspark/departments")

这失败了

dataRDD = sc.textFile("/user/cloudera/sqoop_import/departments")
dataRDD.saveAsSequenceFile("/user/cloudera/pyspark/departmentsSeq")

Error: An error occurred while calling z:org.apache.spark.api.python.PythonRDD.saveAsSequenceFile. : org.apache.spark.SparkException: RDD element of type java.lang.String cannot be used

这是数据：

2,Fitness
3,Footwear
4,Apparel
5,Golf
6,Outdoors
7,Fan Shop
8,TESTING
8000,TESTING

Answer 1

要写入 Sequence 文件，您需要 Hadoop 格式的数据 API。

字符串作为文本
Int 作为 IntWritable

在Python中：

data = [(1, ""),(1, "a"),(2, "bcdf")]
sc.parallelize(data).saveAsNewAPIHadoopFile(path,"org.apache.hadoop.mapreduce.lib.output.SequenceFileOutputFormat","org.apache.hadoop.io.IntWritable","org.apache.hadoop.io.Text")

Answer 2

序列文件用于存储键值对，因此您不能简单地存储RDD[String]。根据你的数据，我猜你正在寻找这样的东西：

rdd = sc.parallelize([
    "2,Fitness", "3,Footwear", "4,Apparel"
])
rdd.map(lambda x: tuple(x.split(",", 1))).saveAsSequenceFile("testSeq")

如果你想保留整个字符串，只需使用 None 键：

rdd.map(lambda x: (None, x)).saveAsSequenceFile("testSeqNone")

将RDD保存为pyspark中的序列文件

Saving RDD as sequence file in pyspark

python

sequencefile

apache-spark

pyspark