我试图将一个简单的文本文件读入Spark RDD,我发现有两种方法可以这样做:
from pyspark.sql import SparkSession
spark = SparkSession.builder.master("local[*]").getOrCreate()
sc = spark.sparkContext
textRDD1 = sc.textFile("hobbit.txt")
textRDD2 = spark.read.text('hobbit.txt').rdd
然后我查看数据,看到两个RDD的结构不同
textRDD1.take(5)
['The king beneath the mountain',
'The king of carven stone',
'The lord of silver fountain',
'Shall come unto his own',
'His throne shall be upholden']
textRDD2.take(5)
[Row(value='The king beneath the mountain'),
Row(value='The king of carven stone'),
Row(value='The lord of silver fountain'),
Row(value='Shall come unto his own'),
Row(value='His throne shall be upholden')]
基于此,必须改变所有后续处理以反映“价值”的存在
我的问题是
回答(a),
sc.textFile(...)
返回RDD[String]
textFile(String path, int minPartitions)
从HDFS读取文本文件,本地文件系统(在所有节点上都可用)或任何支持Hadoop的文件系统URI,并将其作为字符串的RDD返回。
spark.read.text(...)
返回DataSet[Row]
或DataFrame
text(String path)
加载文本文件并返回一个DataFrame,其架构以名为“value”的字符串列开头,如果有,则返回分区列。
对于(b),它实际上取决于您的用例。既然你想在这里创建一个RDD,你应该选择sc.textFile
。您始终可以将数据帧转换为rdd,反之亦然。