Я использую Spark 1.6.0 со Spark Streaming и имею одну проблему с широкими операциями.
Пример кода: существует RDD под названием «a», который имеет тип: class 'pyspark.rdd.PipelinedRDD'.
"а" было получено как:
# Load a text file and convert each line to a Row.
lines = sc.textFile(filename)
parts = lines.map(lambda l: l.split(","))
clients = parts.map(lambda p: Row(client_id=int(p[0]), clientname=p[1] ...))
# Infer the schema, and register the DataFrame as a table.
schemaPeople = sqlContext.createDataFrame(clients)
schemaPeople.registerTempTable("clients")
client_list = sqlContext.sql("SELECT * FROM clients")
и после:
a = client_list.map(lambda entry: (int(entry[1]), value_from_entry(entry)))
Есть вторая часть «b» с классом типа pyspark.streaming.dstream.TransformedDStream. Я получаю "b" от Flume:
DStreamB = flumeStream.map(lambda tup: function_for_map(tup[1].encode('ascii','ignore')))
и
b = DStreamB.map(lambda event: (int(event[2]), value_from_event(event)))
Проблема: когда я пытаюсь присоединиться как:
mult = b.transform(lambda rdd: rdd.join(a))
мое приложение зависает на этом этапе (теперь я показываю экран после b.pprint () и до этапа .join ())
Но когда я добавляю:
Объявить RDD "test":
test = sc.parallelize(range(1, 100000)).map(lambda k: (k, 'value'))
и делать:
mult0 = a.join(test) mult = b.transform(lambda rdd: rdd.join(mult0))`
Тогда работает (!!):
Также я могу:
mult0 = b.transform(lambda rdd: rdd.join(test))
Таким образом:
Имею СДР «а» и «тест». DStream "b". И я могу размножить:
- а * тест * б
- б * тест
Но я не умею делать «б * а».
Любая помощь приветствуется! Спасибо!