Pyspark 将行数据转换为键值对

Question

我有一个如下所示的数据文件：

([Fire Grilled Steak Bowl, Veri Veri Teriyaki Marinade & Sauce],1)
([Fat Free Strawberry Yogurt, Strawberry Banana Juice],1)
([Organic  Unsweetened & Salt Free Sunflower Seed Butter, Organic Broccoli Crowns],1)
([Roma Tomato, Vanilla Soymilk],3)
([15 Calories Light Lemonade, Lemon-Lime 12 Pack Soda],1)]

当我获取这些数据并将其放入 RDD 时，

data=sc.textFile("hdfs:\h1:9000\data.txt")
data.collect()

输出如下所示

['([Fire Grilled Steak Bowl, Veri Veri Teriyaki Marinade & Sauce],1)', '([Fat Free Strawberry Yogurt, Strawberry Banana Juice],1)', '([Organic  Unsweetened & Salt Free Sunflower Seed Butter, Organic Broccoli Crowns],1)', '([Roma Tomato, Vanilla Soymilk],3)', '([15 Calories Light Lemonade, Lemon-Lime 12 Pack Soda],1)']

我正在使用 pyspark 并想将此 RDD 转换为键值对，其中列表 [item1,item2] 将是键，逗号后的数字将是值。当我尝试以 x[0] 和 x[1] 访问它时，我最终分别得到 ( 和 [ 它应该很简单，我不明白如何获得x[0]=[item1,item2]和x[1]=num。

Answer 1

您的源数据似乎以不方便的格式存储。它几乎就像一个打印的元组，但字符串周围没有引号，这会阻止您将该行作为对象进行评估。

但是，从您提供的示例来看，您似乎可以通过拆分逗号和去除括号来获得所需的输出。

之后您可以调用 map() 并根据需要构建您的键值对。

data = [
    '([Fire Grilled Steak Bowl, Veri Veri Teriyaki Marinade & Sauce],1)',
    '([Fat Free Strawberry Yogurt, Strawberry Banana Juice],1)',
    '([Organic Unsweetened & Salt Free Sunflower Seed Butter, Organic Broccoli Crowns],1)',
    '([Roma Tomato, Vanilla Soymilk],3)',
    '([15 Calories Light Lemonade, Lemon-Lime 12 Pack Soda],1)'
]
rdd = sc.parallelize(data)

rdd.map(lambda row: map(lambda x: x.strip().strip("[]()"), row.split(",")))\
    .map(lambda row: ((row[0], row[1]), int(row[2]))).collect()

打印：

[(('Fire Grilled Steak Bowl', 'Veri Veri Teriyaki Marinade & Sauce'), 1),
 (('Fat Free Strawberry Yogurt', 'Strawberry Banana Juice'), 1),
 (('Organic Unsweetened & Salt Free Sunflower Seed Butter', 'Organic Broccoli Crowns'), 1),
 (('Roma Tomato', 'Vanilla Soymilk'), 3),
 (('15 Calories Light Lemonade', 'Lemon-Lime 12 Pack Soda'), 1)]

假设每行正好有 3 个逗号。如果文本中有任何逗号，此方法将不起作用。如果该假设无效，那么我的建议是修改生成这些文件的程序以生成更友好的格式。

Pyspark 将行数据转换为键值对

Pyspark Convert row data to key value pairs

key-value

apache-spark

rdd

pyspark