Spark 中 sc.textFile 和 spark.read.text 之间的区别

Question

我正在尝试将一个简单的文本文件读入Spark RDD，我看到有两种方法可以做到这一点：

from pyspark.sql import SparkSession
spark = SparkSession.builder.master("local[*]").getOrCreate()
sc = spark.sparkContext
textRDD1 = sc.textFile("hobbit.txt")
textRDD2 = spark.read.text('hobbit.txt').rdd

然后我查看数据，发现两个RDD的结构不同

textRDD1.take(5)
['The king beneath the mountain',
'The king of carven stone',
'The lord of silver fountain',
'Shall come unto his own',
'His throne shall be upholden']
textRDD2.take(5)
[Row(value='The king beneath the mountain'),
Row(value='The king of carven stone'),
Row(value='The lord of silver fountain'),
Row(value='Shall come unto his own'),
Row(value='His throne shall be upholden')]

基于此，必须更改所有后续处理以反映"价值"的存在

我的问题是

• 使用这两种方式读取文本文件意味着什么？
• 在什么情况下我们应该使用哪种方法？

Answer 1

要回答(a(，

sc.textFile(...)返回一个RDD[String]

textFile(String path, int minPartitions)

从 HDFS、本地文件系统(在所有节点上可用(或任何 Hadoop 支持的文件系统 URI 读取文本文件，并将其作为字符串的 RDD 返回。

spark.read.text(...)返回DataSet[Row]或DataFrame

text(String path)

加载文本文件并返回一个数据帧，其架构以名为"value"的字符串列开头，后跟分区列(如果有(。

对于 (b(，这实际上取决于您的用例。由于您尝试在此处创建RDD，因此应使用sc.textFile。您始终可以将数据帧转换为 rdd，反之亦然。