文档计数/斯卡拉

我有一个文本变量，它是一个String RDD在阶文档计数/斯卡拉

val data = sc.parallelize(List("i am a good boy.Are you a good boy.","You are also working here.","I am posting here today.You are good."))

我在Scala的地图另一个变量（以下给出）

//列表对于该文档计数需要被发现的话，最初的文档数为1

val dictionary = Map("""good""" -> 1,"""working""" -> 1,"""posting""" -> 1).

我想要做的每一个字典术语的文件数量和获得的输出以键值格式

我的输出应该与以下数据类似。

(good,2) 

(working,1) 

(posting,1)

我曾尝试是

dictionary.map { case(k,v) => k -> k.r.findFirstIn(data.map(line => line.trim()).collect().mkString(",")).size}

我越来越算作1的所有的话。

请帮我解决上面的问题

在此先感谢。

来源

2015-09-04 user3792686

为什么不使用flatMap来创建字典，然后你就可以查询它。

val dictionary = data.flatMap {case line => line.split(" ")}.map {case word => (word, 1)}.reduceByKey(_+_)

如果我收集这个在REPL我得到以下结果：

res9: Array[(String, Int)] = Array((here,1), (good.,1), (good,2), (here.,1), (You,1), (working,1), (today.You,1), (boy.Are,1), (are,2), (a,2), (posting,1), (i,1), (boy.,1), (also,1), (I,1), (am,2), (you,1))

很明显，你需要做一个更好的分流比我的简单例子。

来源

2015-09-04 14:14:43

首先你的字典应该是一个集合，因为从一般意义上讲，你需要将集合映射到包含它们的文档数量。

所以你的数据应该是这样的：

scala> val docs = List("i am a good boy.Are you a good boy.","You are also working here.","I am posting here today.You are good.") 
docs: List[String] = List(i am a good boy.Are you a good boy., You are also working here., I am posting here today.You are good.)

你的字典应该是这样的：

scala> val dictionary = Set("good", "working", "posting") 
dictionary: scala.collection.immutable.Set[String] = Set(good, working, posting)

然后你要实现你的改造，为contains功能它可能看起来最简单的逻辑像：

scala> dictionary.map(k => k -> docs.count(_.contains(k))) toMap 
res4: scala.collection.immutable.Map[String,Int] = Map(good -> 2, working -> 1, posting -> 1)

为了更好的解决方案，我会建议最终你实现特定的功能，满足您的要求

（字符串，字符串）=>布尔

确定期限的文件中存在：

scala> def foo(doc: String, term: String): Boolean = doc.contains(term) 
foo: (doc: String, term: String)Boolean

然后最终解决方案将看起来像：

scala> dictionary.map(k => k -> docs.count(d => foo(d, k))) toMap 
res3: scala.collection.immutable.Map[String,Int] = Map(good -> 2, working -> 1, posting -> 1)

你最不得不做的是t o使用SparkContext计算结果图。首先你必须定义你想要并行化的数据。假设我们想要并行化文档集合，那么解决方案可能如下所示：

val docsRDD = sc.parallelize(List(
    "i am a good boy.Are you a good boy.", 
    "You are also working here.", 
    "I am posting here today.You are good." 
)) 
docsRDD.mapPartitions(_.map(doc => dictionary.collect { 
    case term if doc.contains(term) => term -> 1 
})).map(_.toMap) reduce { case (m1, m2) => merge(m1, m2) } 

def merge(m1: Map[String, Int], m2: Map[String, Int]) = 
    m1 ++ m2 map { case (k, v) => k -> (v + m1.getOrElse(k, 0)) }

来源

2016-02-29 08:12:39 hellraiser

文档计数/斯卡拉

回答

相关问题