MAP (PySpark) 返回的元组列表(或迭代器)

Question

我有一个映射器方法：

def mapper(value):
    ...
    for key, value in some_list:
        yield key, value

实际上，我需要的与普通的字数示例相去不远。我已经有了工作脚本，但前提是映射器方法看起来像这样：

def mapper(value):
    ...
    return key, value

它的调用如下所示：

sc.textFile(sys.argv[2], 1).map(mapper).reduceByKey(reducer).collect()

我花了 2 个小时尝试编写支持映射器生成器的代码。但做不到。我什至同意只返回一个列表：

def mapper(value):
    ...
    result_list = []
    for key, value in some_list:
        result_list.append( key, value )
    return result_list

这里： https://groups.google.com/forum/#!searchin/spark-users/flatmap$20multiple/spark-users/1WqVhRBaJsU/-D5QRbenlUgJ我发现我应该使用 flatMap，但它没有解决问题 - 我的化简器然后开始获取输入，例如 （key1， value1， key2， value2， value3， ...） - 但它应该是 [（key1， value1）， （key2， value2， value3）...]。换句话说，reducer开始只取单个部分，并且不知道它是一个值还是一个键，如果值 - 它属于哪个键。

那么如何使用返回迭代器或列表的映射器呢？

谢谢！

Answer 1

如果你想要一个返回多个输出的映射函数，可以使用flatMap。

传递给flatMap的函数可以返回一个可迭代对象：

>>> words = sc.textFile("README.md")
>>> def mapper(line):
...     return ((word, 1) for word in line.split())
...
>>> words.flatMap(mapper).take(4)
[(u'#', 1), (u'Apache', 1), (u'Spark', 1), (u'Lightning-Fast', 1)]
>>> counts = words.flatMap(mapper).reduceByKey(lambda x, y: x + y)
>>> counts.take(5)
[(u'all', 1), (u'help', 1), (u'webpage', 1), (u'when', 1), (u'Hadoop', 12)]

它也可以是生成器函数：

>>> words = sc.textFile("README.md")
>>> def mapper(line):
...     for word in line.split():
...         yield (word, 1)
...
>>> words.flatMap(mapper).take(4)
[(u'#', 1), (u'Apache', 1), (u'Spark', 1), (u'Lightning-Fast', 1)]
>>> counts = words.flatMap(mapper).reduceByKey(lambda x, y: x + y)
>>> counts.take(5)
[(u'all', 1), (u'help', 1), (u'webpage', 1), (u'when', 1), (u'Hadoop', 12)]

您

提到您尝试过flatMap但它将所有内容扁平化为列表[key, value, key, value, ...]而不是键值对[(key, value), (key, value)...]列表。 我怀疑这是您的地图功能中的问题。 如果您仍然遇到此问题，您可以发布更完整版本的地图功能吗？