如何将RDD[String]与Array[String]连接以生成String

Question

如何将RDD[String]和Array[String]转换为字符串？

我收到以下错误，

<console>:34: error: type mismatch;
found   : org.apache.spark.rdd.RDD[String]
required: String

其想法是从SchemaRDD中的列中获取不同的日期，并将该日期与常量String连接为/home/tmp/date=。所以我应该同时连接两者，输出应该是

val path =  /home/tmp/date=20140901,/home/tmp/date=20140902,/home/tmp/date=20140903,/home/tmp/date=20140904,... so on

路径将在sc.textFiles(path)中键入以读取整个数据集。

在这个步骤中，在读取数据时，我得到了转换错误。

Answer 1

Hare的一种方法。首先，设置示例：

val prefix = "/home/tmp/date="
val dates =  Array("20140901", "20140902", "20140903", "20140904")
val datesRDD = sc.parallelize(dates, 2)

压缩前缀很容易：

val datesWithPrefixRDD = datesRDD.map(s => prefix + s)
datesWithPrefixRDD.foreach(println)

这产生：

/home/tmp/date=20140901
/home/tmp/date=20140903
/home/tmp/date=20140902
/home/tmp/date=20140904

但你要求一根绳子。显而易见的第一次尝试有一些逗号问题：

val bad = datesWithPrefixRDD.fold("")((s1, s2) => s1 + ", " + s2)
println(bad)

这产生：

, , /home/tmp/date=20140901, /home/tmp/date=20140902, , /home/tmp/date=20140903, /home/tmp/date=20140904

问题是Spark RDD的fold（）方法如何用我提供的空字符串开始串联，一次用于整个RDD，一次针对每个分区。但我们可以处理空字符串：

val good = datesWithPrefixRDD.fold("")((s1, s2) =>
  s1 match {
    case "" => s2
    case s => s + ", " + s2
  })
println(good)

然后我们得到：

/home/tmp/date=20140901, /home/tmp/date=20140902, /home/tmp/date=20140903, /home/tmp/date=20140904

EDIT:实际上，reduce（）产生了一个更整洁的答案，因为它解决了"额外逗号"问题：

val alternative = datesWithPrefixRDD.reduce((s1, s2) => s1 + ", " + s2)
println(alternative)

我们再次得到：

/home/tmp/date=20140901, /home/tmp/date=20140902, /home/tmp/date=20140903, /home/tmp/date=20140904