0
現在、私はSparkとScalacheckで作業していますが、RDD [(A、Long)] をフィルタリングしようとしています(AはAvroファイルから読み込んだレジスタ、LongはzipWithUniqueId()関数から得られる)をバッファに格納された同じRDDからのサンプルから抽出します。フィルタタプルの別のリストからのタプルのRDD
私が意図しているのは、そのサンプルのいくつかのプロパティをテストすることです。失敗した場合は、以前にサンプリングされた値を含まないRDDのサンプルでそのプロパティを再度テストします。 私はvarにrddを格納していますので、フィルターをかけたらそれを再割り当てすることができます。 私のコードは次のようになります:
val samplingSeed = new Random(System.currentTimeMillis()).nextLong()
val sampled = rdd.takeSample(withReplacement = false, bufferSize, samplingSeed)
val buffer: JQueue[(A, Long)] = new JConcurrentLinkedQueue[(A, Long)]
//Sampled as Array converts to queue
for (i <- 0 to sampled.length - 1)
buffer.add(sampled(i).asInstanceOf[(A, Long)])
//rdd is assigned to a var for persistence
//filter here and leave out all the tuples in buffer based in the
//Long value in each tuple
rdd= rdd.filter{foo}
私はこれをどのように実現するだろうか?
あなたがサンプリングされたIDの設定ブロードキャストすることができ、およびidは、この設定されている場合、フィルタにチェック: 'valのIDS = sc.broadcast( buffer.toSet.map(_._ 2)); rdd.filter(v =>!ids.value.contains(v._2)) ' –
チャームのように働いてくれてありがとう – mtelloz
あなたは歓迎です、私は答えを作りました。それを受け入れてください –