在 PySpark 2.0 中读取序列文件

我有一个序列文件，其值如下所示

(string_value, json_value)

我不关心字符串值。

在 Scala 中我可以通过以下方式读取文件

val reader = sc.sequenceFile[String, String]("/path...")
val data = reader.map{case (x, y) => (y.toString)}
val jsondata = spark.read.json(data)

我很难将其转换为 PySpark。我尝试过使用

reader= sc.sequenceFile("/path","org.apache.hadoop.io.Text", "org.apache.hadoop.io.Text")
data = reader.map(lambda x,y: str(y))
jsondata = spark.read.json(data)

这些错误很神秘，但如果有帮助的话我可以提供它们。我的问题是，在 pySpark2 中读取这些序列文件的正确语法是什么？

我认为我没有正确地将数组元素转换为字符串。如果我做一些简单的事情，比如

m = sc.parallelize([(1, 2), (3, 4)])
m.map(lambda x,y: y.toString).collect()

or

m = sc.parallelize([(1, 2), (3, 4)])
m.map(lambda x,y: str(y)).collect()

Thanks!

您的代码的根本问题是您使用的函数。函数传递给map应该采用一个参数。使用以下任一方法：

reader.map(lambda x: x[1])

or just:

reader.values()

只要keyClass and valueClass匹配数据，这应该是您在这里需要的全部内容，并且不需要额外的类型转换（这是由内部处理的）sequenceFile）。用 Scala 写：

Welcome to
      ____              __
     / __/__  ___ _____/ /__
    _\ \/ _ \/ _ `/ __/  '_/
   /___/ .__/\_,_/_/ /_/\_\   version 2.1.0
      /_/

Using Scala version 2.11.8 (OpenJDK 64-Bit Server VM, Java 1.8.0_111)
Type in expressions to have them evaluated.
Type :help for more information.

scala> :paste
// Entering paste mode (ctrl-D to finish)

sc
  .parallelize(Seq(
    ("foo", """{"foo": 1}"""), ("bar", """{"bar": 2}""")))
  .saveAsSequenceFile("example")

// Exiting paste mode, now interpreting.

用 Python 阅读：

Welcome to
      ____              __
     / __/__  ___ _____/ /__
    _\ \/ _ \/ _ `/ __/  '_/
   /__ / .__/\_,_/_/ /_/\_\   version 2.1.0
      /_/

Using Python version 3.5.1 (default, Dec  7 2015 11:16:01)
SparkSession available as 'spark'.

In [1]: Text = "org.apache.hadoop.io.Text"

In [2]: (sc
   ...:     .sequenceFile("example", Text, Text)
   ...:     .values()  
   ...:     .first())
Out[2]: '{"bar": 2}'

Note:

旧版 Python 版本支持元组参数解包：

reader.map(lambda (_, v): v)

不要使用它对于应该向前兼容的代码。