Apache spark 在Hadoop中如何计数?
我有一大堆书名。我想计算整个数据集中的每个标题。例如:Apache spark 在Hadoop中如何计数?,apache-spark,hadoop,pyspark,count,reduce,Apache Spark,Hadoop,Pyspark,Count,Reduce,我有一大堆书名。我想计算整个数据集中的每个标题。例如: `title` A b A c c c 输出: title fre A 2 b 1 c 3 我正在寻找一种在Hadoop中使用reduce函数的快速方法。我知道以下方法: import pyspark.sql.functions as f df.groupBy('title').agg(f.count('*').alias('count')).show() 我还需要获得出现次数少于10次的标题。如
`title`
A
b
A
c
c
c
输出:
title fre
A 2
b 1
c 3
我正在寻找一种在Hadoop中使用reduce函数的快速方法。我知道以下方法:
import pyspark.sql.functions as f
df.groupBy('title').agg(f.count('*').alias('count')).show()
我还需要获得出现次数少于10次的标题。如果您想使用RDD,可以尝试以下代码:
grouped_rdd = (df.rdd.map(lambda r: (r[0], 1))
.reduceByKey(lambda x, y: x + y)
.sortBy(lambda r: -r[1]) # descending order; remove - if ascending.
.take(10)
)
grouped_df = spark.createDataFrame(grouped_rdd, ['title', 'count'])
但我不确定这是否会比
df.groupBy('title').count()快。
Py4JJavaError:调用z:org.apache.spark.api.python.PythonRDD.collectAndServe时出错:org.apache.spark.sparkeexception:作业因阶段失败而中止:阶段101.0中的任务0失败1次,最近的失败:阶段101.0中的任务0.0丢失(TID 611,192.168.1.102,执行器驱动程序):org.apache.hadoop.fs.FSError:java.io.IOException:设备未配置
@elham非常奇怪的错误,不应该与代码相关。尝试重新启动应用程序