我在Pandas中创建了一些我试图转换为PySpark代码的代码。它使用urlparse
Python库将通用URI解析为Python字典,将这些键转换为新列,然后将这些新列与原始数据连接起来。下面是一个简化的例子。在真实数据集中有38列,我关心保留所有这些列。将Python字典转换为PySpark中的稀疏RDD或DF
# create some sample data
df_ex = pd.DataFrame([[102,'text1',u'/some/website/page.json?ovpevu&colc=1452802104103&si=569800363b029b74&rev=v4.1.2-wp&jsl=161&ln=en&pc=men&dp=www.mysite.com&qfq=news/this-is-an-article&of=2&uf=1&pd=0&irt=0&md=0&ct=1&tct=0&abt=0<=792&cdn=1&lnlc=gb&tl=c=141,m=433,i=476,xm=1243,xp=1254&pi=2&&rb=0&gen=100&callback=_ate.track.hsr&mk=some,key,words,about,the,article&'],
[781,'text2',u'/libtrc/hearst-network/loader.js'],
[9001,'text3',u'/image/view/-/36996720/highRes/2/-/maxh/150/maxw/150/mypic.jpg'],
[121,'text4',u'/website/page2.json?ovpevu&colc=1452802104103&si=569800363b029b74&rev=v4.1.2-wp&qqd=1&pd=0&irt=0&md=0&zzct=1&tct=0&abt=0<=792&cdn=0&lnlc=gb&tl=c=414,m=32,i=41,xm=1000,xp=111&callback=_ate.track.hsr&mk=some,other,key,words,about,the,article&'],
[781,'text5',u'/libtrc/hearst-network/loader.js']],columns=['num','text','uri'])
# parse the URI to a dict using urlparse
df_ex['uri_dict'] = df_ex['uri'].apply(lambda x: dict(urlparse.parse_qsl(urlparse.urlsplit(x).query)))
# convert the parsed dict to a series
df_ex_uridict_series = df_ex['uri_dict'].apply(pd.Series)
# concatenate the parsed dict (now columns) back with original DF
df_final = pd.concat([df_ex, df_ex_uridict_series], axis=1).drop('uri_dict', axis=1)
的东西,看起来像这样(裁剪)得到的:
的结果是相当稀疏,但是这很好。对于应用程序,我实际上更喜欢它是一个稀疏矩阵(尽管我可以确信是否有一个很好的选择,密集的方法)。这就是我试图在PySpark中重新创建的结果。
到目前为止我所在的地方(在PySpark 2.1.0中)(使用相同的数据)。
# urlparse library
import urlparse
# create the sample data as RDD
data = sc.parallelize([[102,'text1',u'/some/website/page.json?ovpevu&colc=1452802104103&si=569800363b029b74&rev=v4.1.2-wp&jsl=161&ln=en&pc=men&dp=www.mysite.com&qfq=news/this-is-an-article&of=2&uf=1&pd=0&irt=0&md=0&ct=1&tct=0&abt=0<=792&cdn=1&lnlc=gb&tl=c=141,m=433,i=476,xm=1243,xp=1254&pi=2&&rb=0&gen=100&callback=_ate.track.hsr&mk=some,key,words,about,the,article&'],[781,'text2',u'/libtrc/hearst-network/loader.js'],[9001,'text3',u'/image/view/-/36996720/highRes/2/-/maxh/150/maxw/150/mypic.jpg'],[121,'text4',u'/website/page2.json?ovpevu&colc=1452802104103&si=569800363b029b74&rev=v4.1.2-wp&qqd=1&pd=0&irt=0&md=0&zzct=1&tct=0&abt=0<=792&cdn=0&lnlc=gb&tl=c=414,m=32,i=41,xm=1000,xp=111&callback=_ate.track.hsr&mk=some,other,key,words,about,the,article&'],[781,'text5',u'/libtrc/hearst-network/loader.js']])
# simple map to parse the uri
uri_parsed = data.map(list).map(lambda x: [x[0],x[1],urlparse.parse_qs(urlparse.urlsplit(x[2]).query)])
这让我非常接近,在RDD的每个“行”内嵌入了一个python字典。像这样:
In [187]: uri_parsed.take(3)
Out[187]:
[[102,
'text1',
{u'abt': [u'0'],
u'callback': [u'_ate.track.hsr'],
u'cdn': [u'1'],
u'colc': [u'1452802104103'],
u'ct': [u'1'],
u'dp': [u'www.mysite.com'],
u'gen': [u'100'],
u'irt': [u'0'],
u'jsl': [u'161'],
u'ln': [u'en'],
u'lnlc': [u'gb'],
u'lt': [u'792'],
u'md': [u'0'],
u'mk': [u'some,key,words,about,the,article'],
u'of': [u'2'],
u'pc': [u'men'],
u'pd': [u'0'],
u'pi': [u'2'],
u'qfq': [u'news/this-is-an-article'],
u'rb': [u'0'],
u'rev': [u'v4.1.2-wp'],
u'si': [u'569800363b029b74'],
u'tct': [u'0'],
u'tl': [u'c=141,m=433,i=476,xm=1243,xp=1254'],
u'uf': [u'1']}],
[781, 'text2', {}],
[9001, 'text3', {}]]
这些值包含列表,但没关系。他们可以留在列表中。
我现在想要做的是从字典中解析出键/值对(如Pandas中),从键创建新列,然后将值(或值列表)案件)在RDD中。
有些事情我已经试过:
- 走向全面的PySpark DF:写了一个UDF,并使用
with_column
建立在DF的新列应用。这是有效的,但它将整个词典作为一个单独的字符串(没有键和值在引号中)。我没有试图推动这一点,并添加引号(认为有更好的方法)。 - 拆分原始DF:首先使用
monotonically_increasing_id()
为每个DF行分配一个唯一ID,拆分两列(新ID和URI),将拆分转换为RDD,然后解析。这会让我再回来(使用ID),但它并没有帮助创建我想要的“稀疏矩阵”。
我还发现这些技术(使用Spark v2.1.0和Hive数据存储)可能不是用于表示此类数据的正确底层技术。也许一个无模式的数据存储会更好。但是,我现在限制使用Spark和Hive作为数据存储。
任何帮助将不胜感激!