Java 如何在rdd操作中读取数据帧

情景 我有两个包含文本文件路径的字符串列表，列表a和列表b。 我想对列表a，b的笛卡尔积进行比较，以实现笛卡尔数据帧

我尝试的方法是先做笛卡尔积， 将其传输到pairdd，然后在foreach apply操作中执行

 List<String> a = Lists.newList("/data/1.text",/data/2.text","/data/3.text");
 List<String> b = Lists.newList("/data/4.text",/data/5.text","/data/6.text");

JavaSparkContext jsc = new JavaSparkContext(spark.sparkContext());
List<Tuple2<String,String>> cartesian = cartesian(a,b);
jsc.parallelizePairs(cartesian).filter(new Function<Tuple2<String, String>, Boolean>() {
        @Override public Boolean call(Tuple2<String, String> tup) throws Exception {
            Dataset<Row> text1 = spark.read().text(tup._1); <-- this throw NullPointerException
            Dataset<Row> text2 = spark.read().text(tup._2);
            return text1.first()==text2.first(); <-- this is an indicative function only
        });

List a=Lists.newList（“/data/1.text”、/data/2.text”、“/data/3.text”）；
列表b=Lists.newList（“/data/4.text”、/data/5.text”、“/data/6.text”）；
JavaSparkContext jsc=新的JavaSparkContext（spark.sparkContext（））；
列表笛卡尔=笛卡尔（a，b）；
parallelizePairs（笛卡尔）.filter（新函数（）{
@重写公共布尔调用（Tuple2 tup）引发异常{
数据集text1=spark.read（）.text（tup._1）；不确定我是否完全理解您的问题。下面是使用spark和Java的笛卡尔示例

public class CartesianDemo {
public static void main(String[] args) {
    SparkConf conf = new SparkConf().setAppName("CartesianDemo").setMaster("local");
    JavaSparkContext jsc = new JavaSparkContext(conf);
    //list
    List<String> listOne = Arrays.asList("one", "two", "three", "four", "five");
    List<String> listTwo = Arrays.asList("ww", "xx", "yy", "zz");
    //RDD
    JavaRDD<String> rddOne = jsc.parallelize(listOne);
    JavaRDD<String> rddTwo = jsc.parallelize(listTwo);
    //Cartesian
    JavaPairRDD<String, String> cartesianRDD = rddOne.cartesian(rddTwo);
    //print
    cartesianRDD.foreach(data -> {
        System.out.println("X=" + data._1() + " Y=" + data._2());
    });
    //stop
    jsc.stop();
    jsc.close();
  }
}

公共类CartesianDemo{
公共静态void main（字符串[]args）{
SparkConf conf=new SparkConf（）.setAppName（“CartesianDemo”）.setMaster（“local”）；
JavaSparkContext jsc=新的JavaSparkContext（conf）；
//名单
listOne=Arrays.asList（“一”、“二”、“三”、“四”、“五”）；
listwo=Arrays.asList（“ww”、“xx”、“yy”、“zz”）；
//RDD
JavaRDD rddOne=jsc.parallelize（listOne）；
javarddrddtwo=jsc.parallelize（listTwo）；
//笛卡尔
javapairdd cartesianRDD=rddOne.cartesian（rddTwo）；
//印刷品
cartesianRDD.foreach（数据->{
System.out.println（“X=“+data.\u 1（）+”Y=“+data.\u 2（））；
});
//停止
jsc.stop（）；
jsc.close（）；
}
}
不确定我是否完全理解您的问题。以下是使用Spark和Java的笛卡尔示例

public class CartesianDemo {
public static void main(String[] args) {
    SparkConf conf = new SparkConf().setAppName("CartesianDemo").setMaster("local");
    JavaSparkContext jsc = new JavaSparkContext(conf);
    //list
    List<String> listOne = Arrays.asList("one", "two", "three", "four", "five");
    List<String> listTwo = Arrays.asList("ww", "xx", "yy", "zz");
    //RDD
    JavaRDD<String> rddOne = jsc.parallelize(listOne);
    JavaRDD<String> rddTwo = jsc.parallelize(listTwo);
    //Cartesian
    JavaPairRDD<String, String> cartesianRDD = rddOne.cartesian(rddTwo);
    //print
    cartesianRDD.foreach(data -> {
        System.out.println("X=" + data._1() + " Y=" + data._2());
    });
    //stop
    jsc.stop();
    jsc.close();
  }
}

公共类CartesianDemo{
公共静态void main（字符串[]args）{
SparkConf conf=new SparkConf（）.setAppName（“CartesianDemo”）.setMaster（“local”）；
JavaSparkContext jsc=新的JavaSparkContext（conf）；
//名单
listOne=Arrays.asList（“一”、“二”、“三”、“四”、“五”）；
listwo=Arrays.asList（“ww”、“xx”、“yy”、“zz”）；
//RDD
JavaRDD rddOne=jsc.parallelize（listOne）；
javarddrddtwo=jsc.parallelize（listTwo）；
//笛卡尔
javapairdd cartesianRDD=rddOne.cartesian（rddTwo）；
//印刷品
cartesianRDD.foreach（数据->{
System.out.println（“X=“+data.\u 1（）+”Y=“+data.\u 2（））；
});
//停止
jsc.stop（）；
jsc.close（）；
}
}
我知道cartesian，如果您注意到，我已经在示例中说明了这一点。问题是运行sparkSession.read（）在foreach函数中。这将不起作用，并将引发NPE。您可以在SO中发现类似的问题。您可以使用Dataset.join方法获取Cartesian，然后可以调用过滤器。我了解Cartesian，如果您注意到，我已经将其放在示例中。该问题正在运行sparkSession.read（）在foreach函数内部。这将不起作用，并将抛出NPE。您可以在SO中发现类似的问题。您可以使用Dataset.join方法获取笛卡尔坐标，然后可以对其调用筛选器。没有理由执行
jsc.parallelizePairs（笛卡尔坐标）
。直接迭代
笛卡尔
集合。没有理由执行
jsc.parallelizePairs（笛卡尔）
。直接迭代
笛卡尔
集合。