(RDDは、数百万行を持っている)、私はデータフレームDATAFRAME私は1.6.2</p> <p>私は.CSVデータを持っている、それは約8万行が含まれているApacheのスパークを使用してい
に変換したいのRDDを変換できません。しかし、私は、私は
はRDDをマッピングしたいこと(列)のデータを取得するためにマッピングを行うために最初RDDにそれを変換する必要がありますが正常に動作しますが、それはデータフレームにRDDを変換することになると、スパークは、エラーがスローされます
Traceback (most recent call last):
File "C:/Users/Dzaky/Project/TJ-source/source/201512/final1.py", line 38, in <module>
result_iso = input_iso.map(extract_iso).toDF()
File "c:\spark\python\lib\pyspark.zip\pyspark\sql\context.py", line 64, in toDF
File "c:\spark\python\lib\pyspark.zip\pyspark\sql\context.py", line 423, in createDataFrame
File "c:\spark\python\lib\pyspark.zip\pyspark\sql\context.py", line 310, in _createFromRDD
File "c:\spark\python\lib\pyspark.zip\pyspark\sql\context.py", line 254, in _inferSchema
File "c:\spark\python\lib\pyspark.zip\pyspark\rdd.py", line 1315, in first
File "c:\spark\python\lib\pyspark.zip\pyspark\rdd.py", line 1297, in take
File "c:\spark\python\lib\pyspark.zip\pyspark\context.py", line 939, in runJob
File "c:\spark\python\lib\py4j-0.9-src.zip\py4j\java_gateway.py", line 813, in __call__
File "c:\spark\python\lib\pyspark.zip\pyspark\sql\utils.py", line 45, in deco
File "c:\spark\python\lib\py4j-0.9-src.zip\py4j\protocol.py", line 308, in get_return_value
py4j.protocol.Py4JJavaError: An error occurred while calling z:org.apache.spark.api.python.PythonRDD.runJob.
: org.apache.spark.SparkException: Job aborted due to stage failure: Task 0 in stage 0.0 failed 1 times, most recent failure: Lost task 0.0 in stage 0.0 (TID 0, localhost): java.net.SocketException: Connection reset by peer: socket write error
これらは私のコードです:私はかどうかを知りません
を
def extract_iso(line):
fields = line.split(',')
return [fields[-2], fields[1]]
input_iso = sc.textFile("data.csv")
result_iso = input_iso.map(extract_iso).toDF()
data.csv
は800万人以上の行を持っていますが、それが唯一の< 500行を持ってまで、私は行をsubstractとき、プログラムが正常に動作しますSparkに行制限などがありますが、何らかの方法でRDDを変換できますか?
また、RDDをマップするようにDataFrameをマップする方法はありますか?
追加情報:
データが乱雑で、各行の合計の列は、私が最初にそれをマップする必要が理由です、別の 1からoftenly異なっています。 しかし、私が必要とするデータは常に同じインデックス[1]と[-2](2番目の列と2番目の最後の列)であり、列間の合計列は行ごとに異なります
ありがとうございます。
などのspark-csvパッケージを試しましたか? https://github.com/databricks/spark-csv –
@RajatMishraはい私はそれを試みましたが、問題は、データが厄介であり、各行の合計列がしばしば1つずつ異なっているためです。データのDataFrameを構築する前にまずマップを作成してください –
'sc.wholeTextFile'を使って試してみてください。 http://stackoverflow.com/questions/41195924/error-while-reading-very-large-files-with-spark-csv-package –