在Python中创建自定义Spark RDD
可以在Python中扩展Spark的RDD以添加自定义运算符吗?如果不可能,那么如何为扩展RDD的类包装Scala代码,例如: 编辑:我正在尝试创建一个新的RDD,比如PersonRDD,并在PersonRDD上添加一组新操作符,例如PersonRDD.ComputeMediaInCome()。根据下面的链接,在Python中这样做并不简单。然而,由于这是一个旧的线程,我想知道是否有任何新的更新。如果不是,我想使用Scala来实现,但我不知道如何使用Py4J(mail archives.us.apache.org/mod_mbox/spark user/201308.mbox/…)从Python调用该类 任何建议或帮助都将不胜感激在Python中创建自定义Spark RDD,python,apache-spark,pyspark,rdd,Python,Apache Spark,Pyspark,Rdd,可以在Python中扩展Spark的RDD以添加自定义运算符吗?如果不可能,那么如何为扩展RDD的类包装Scala代码,例如: 编辑:我正在尝试创建一个新的RDD,比如PersonRDD,并在PersonRDD上添加一组新操作符,例如PersonRDD.ComputeMediaInCome()。根据下面的链接,在Python中这样做并不简单。然而,由于这是一个旧的线程,我想知道是否有任何新的更新。如果不是,我想使用Scala来实现,但我不知道如何使用Py4J(mail archives.us.
Mandy在分布式环境中计算精确的中值需要一些努力,所以假设您希望RDD中的值都是平方。让我们调用此方法
squares
,并假设其工作原理如下:
assert rdd.squares().collect() == rdd.map(lambda x: x * x).collect()
1.修改pyspark.RDD
定义:
注意:如果修改类定义,则每个实例都可以访问方块
2.创建RDD子类:
分配一个类是一个棘手的问题,所以在实践中,您应该以适当的方式创建RDD(参见示例实现)
3.将方法添加到实例
免责声明
首先,我还没有对这些进行足够长的测试,以确保没有隐藏的问题
此外,我认为这真的不值得大惊小怪。如果没有静态类型检查,很难找到任何好处,您可以使用函数、curry和更干净的方式获得类似的结果
from toolz import pipe
pipe(
sc.parallelize([1, 2, 3]),
squares,
lambda rdd: rdd.collect())
我有一个类似的问题,虽然到目前为止我还没有在扩展版本上测试正常RDD的全部功能,但它仍能正常工作。这确实需要一些工作,我不确定这是否是最好的解决方案,但我所做的只是扩展RDD类,通过将返回新RDD的方法传递到新类的构造函数中并向类添加方法,重新实现这些方法。以下是代码的简短部分:
from pyspark.rdd import RDD, PipelinedRDD
class CustomRDD(RDD):
def __init__(self, rdd, first=True):
if first:
rdd = custom_parser(rdd)
self._jrdd = rdd._jrdd
self.is_cached = rdd.is_cached
self.is_checkpointed = rdd.is_checkpointed
self.ctx = rdd.ctx
self._jrdd_deserializer = rdd._jrdd_deserializer
self._id = rdd._id
self.partitioner = rdd.partitioner
def mapPartitionsWithIndex(self, f, preservesPartition=False):
return CustomRDD(PipelinedRDD(self, f, preservesPartition), False)
def union(self, other):
return WebtrendsRDD(super(WebtrendsRDD, self).union(other), False)
def custom_method(self):
return CustomRDD(self.filter(lambda x: x.has_property()), False)
mapPartitionsWithIndex方法由许多其他RDD功能调用,因此涵盖了很多内容,但是还有许多其他方法,您必须使用自己的构造函数来包装,以像我使用union时一样,不断获取自己的CustomRDD。谢谢@zero323。我希望能够像Scala或Java一样干净地继承表单RDD,而不是破解解决方案。解决方案1不起作用,因为用户可以调用错误类型的新操作员。2不适用于RDD的子类,例如:newAPIHadoopFile,但可以用于我。。。再次感谢您抽出时间提出解决方案。嗯,您必须记住几件事。Python中的类型规则与Scala有很大不同,Python RDD并没有按类型参数化。从Scala的角度来看,每个Python RDD看起来都像
RDD[Any]
。因此,您有责任只调用适用的方法。类似于sc.parallelize(range(3)).groupByKey()
显然没有意义,在执行转换时会失败,但在类型级别上没有任何错误。与Scala不同,您可以在运行时修改现有类。没有隐式转换地狱,我们知道“显式优于隐式”。如果添加一个方法,类型仍然没有问题。它唯一说明的是,根据实例的状态,调用此方法可能是有效的。从概念的角度来看,它可能是最接近Scala隐式方法的方法。尽管如此,我认为管道函数调用更安全、更具python风格,如果想在Spark之上创建DSL,也同样有效。这完全有道理。你显然比我有更多的经验,所以我也会考虑管道的例子。
import types
rdd = sc.parallelize([1, 2, 3])
# Reusing squares function defined above
rdd.squares = types.MethodType(squares, rdd)
from toolz import pipe
pipe(
sc.parallelize([1, 2, 3]),
squares,
lambda rdd: rdd.collect())
from pyspark.rdd import RDD, PipelinedRDD
class CustomRDD(RDD):
def __init__(self, rdd, first=True):
if first:
rdd = custom_parser(rdd)
self._jrdd = rdd._jrdd
self.is_cached = rdd.is_cached
self.is_checkpointed = rdd.is_checkpointed
self.ctx = rdd.ctx
self._jrdd_deserializer = rdd._jrdd_deserializer
self._id = rdd._id
self.partitioner = rdd.partitioner
def mapPartitionsWithIndex(self, f, preservesPartition=False):
return CustomRDD(PipelinedRDD(self, f, preservesPartition), False)
def union(self, other):
return WebtrendsRDD(super(WebtrendsRDD, self).union(other), False)
def custom_method(self):
return CustomRDD(self.filter(lambda x: x.has_property()), False)