在Spark中将Dataframe转换为Map(Key-Value)

Question

所以，我在Spark中有一个DataFrame，它看起来像这样：

它有30列:只显示其中的一部分！

[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中将该dataFrame转换为键值对，使用该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(不同数量的键)的唯一值。

例如:使用上面的例子，我希望在Scala中的map(键-值)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]
    )

我是Scala和Spark的新手，我尝试过这样做。

 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。当使用Spark时，您只能在RDD转换中使用驱动器端变量作为“只读”值。

具体地说：

• 映射是在驱动程序计算机上创建的
• 映射(及其初始空值)被序列化并发送到工作节点
• 每个节点可能会更改映射结果在foreach完成时被丢弃-结果不会发送回驱动程序。

要解决这个问题-您应该选择一个转换，返回一个更改过的RDD (例如map)来创建密钥，使用zipWithIndex添加正在运行的"ids"，然后使用collectAsMap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-假设您想要包括前5列，并在它们之间添加分隔符(_)，您可以使用：

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