spark 中 rdd to dataframe 问题

本文探讨了Spark Streaming中从RDD转换为DataFrame时遇到的数据不一致问题,并提供了可能的原因及解决方案,尤其是在字段较多的情况下。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

在spark streaming 过程中遇到数据不对的地方,最有check 到时我们RDD到dataframe 出现了问题

  rowRdd = rdd.flatMap(build_data_row)
  statsRdd = rowRdd.map(map_to_id)
  dfstats = sqlContext.createDataFrame(statsRdd, schema=docShema)


上面的程序中map_to_id 这个function 尽管return Row(.......) 但是在sqlContext.createDataFrame 中出现数据跟预期的不一样的情况
最后从spark 的文档发现, RDD ==> DataFrame 中要指定schema, 或者sampleRatio 的, 如果没有指定的话,可能出现数据的错乱

尤其是在table 字段很多的情况下.


PS:

data – an RDD of Row/tuple/list/dict, list, or pandas.DataFrame
schema – a StructType or list of names of columns
samplingRatio – the sample ratio of rows used for inferring


评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值