使用scala在spark应用程序中建立反向索引
我是Spark和scala编程语言的新手。我的输入是一个CSV文件。我需要在csv文件中的值上建立一个反向索引,如下面的示例所述使用scala在spark应用程序中建立反向索引,scala,csv,apache-spark,Scala,Csv,Apache Spark,我是Spark和scala编程语言的新手。我的输入是一个CSV文件。我需要在csv文件中的值上建立一个反向索引,如下面的示例所述 Input: file.csv attr1, attr2, attr3 1, AAA, 23 2, BBB, 23 3, AAA, 27 output format: value -> (rowid, collumnid) pairs for example: AAA -> ((1,2),(3,2))
Input: file.csv
attr1, attr2, attr3
1, AAA, 23
2, BBB, 23
3, AAA, 27
output format: value -> (rowid, collumnid) pairs
for example: AAA -> ((1,2),(3,2))
27 -> (3,3)
我从以下代码开始。在那之后我陷入困境。请帮忙
object Main {
def main(args: Array[String]) {
val conf = new SparkConf().setAppName("Invert Me!").setMaster("local[2]")
val sc = new SparkContext(conf)
val txtFilePath = "/home/person/Desktop/sample.csv"
val txtFile = sc.textFile(txtFilePath)
val nRows = txtFile.count()
val data = txtFile.map(line => line.split(",").map(elem => elem.trim()))
val nCols = data.collect()(0).length
}
}
保留样式的代码看起来像
val header = sc.broadcast(data.first())
val cells = data.zipWithIndex().filter(_._2 > 0).flatMap { case (row, index) =>
row.zip(header.value).map { case (value, column) => value ->(column, index) }
}
val index: RDD[(String, Vector[(String, Long)])] =
cells.aggregateByKey(Vector.empty[(String, Long)])(_ :+ _, _ ++ _)
这里的索引
值应该包含单元格值
到配对(ColumnName,RowIndex)
上述方法中的下划线只是短切的lambda,可以用另一种方式写成
val cellsVerbose = data.zipWithIndex().flatMap {
case (row, 1) => IndexedSeq.empty // skipping header row
case (row, index) => row.zip(header.value).map {
case (value, column) => value ->(column, index)
}
}
val indexVerbose: RDD[(String, Vector[(String, Long)])] =
cellsVerbose.aggregateByKey(zeroValue = Vector.empty[(String, Long)])(
seqOp = (keys, key) => keys :+ key,
combOp = (keysA, keysB) => keysA ++ keysB)
由于我是scala的新手,我正在花时间掌握上面代码中的所有下划线。如果有任何进一步的帮助,我会回复您。。thanks@CRM提供了更详细的版本