DataFrame到RDD [（String，String）]的转换

Question

我想在Databricks中将org.apache.spark.sql.DataFrame转换为org.apache.spark.rdd.RDD[(String, String)]。有人可以帮忙吗？

背景（也是一个更好的解决方案也是受欢迎的）：我有一个Kafka流（在一些步骤之后）变成一个2列数据帧。我想将它放入Redis缓存中，第一列作为键，第二列作为值。

更具体地说，输入的类型是：lastContacts: org.apache.spark.sql.DataFrame = [serialNumber: string, lastModified: bigint]。我尝试按如下方式放入Redis：

sc.toRedisKV(lastContacts)(redisConfig)

错误消息如下所示：

notebook:20: error: type mismatch;
 found   : org.apache.spark.sql.DataFrame
    (which expands to)  org.apache.spark.sql.Dataset[org.apache.spark.sql.Row]
 required: org.apache.spark.rdd.RDD[(String, String)]
sc.toRedisKV(lastContacts)(redisConfig)

我已经玩了一些想法（比如功能.rdd）但没有帮助。

Answer 1

如果要将行映射到不同的RDD元素，可以使用df.map（row => ...）将数据帧转换为RDD。

例如：

val df = Seq(("table1",432),
      ("table2",567),
      ("table3",987),
      ("table1",789)).
      toDF("tablename", "Code").toDF()

    df.show()

    +---------+----+
|tablename|Code|
+---------+----+
|   table1| 432|
|   table2| 567|
|   table3| 987|
|   table1| 789|
+---------+----+

    val rddDf = df.map(r => (r(0), r(1))).rdd // Type:RDD[(Any,Any)]

    OR

    val rdd = df.map(r => (r(0).toString, r(1).toString)).rdd  //Type: RDD[(String,String)]

有关AnalysisException，请参阅https://community.hortonworks.com/questions/106500/error-in-spark-streaming-kafka-integration-structu.html：必须使用writeStream.start（）执行带有流源的查询

您需要使用query.awaitTermination（）等待查询终止。以防止在查询处于活动状态时退出进程。