Spark基础:如何遍历dataframe

本文介绍Spark DataFrame的基础操作,讲解如何遍历DataFrame,通过实例代码展示如何在Python中执行DataFrame遍历,包括数据加载、遍历及提交任务的命令。

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

#coding:utf-8
from pyspark import SparkConf,SparkContext
from pyspark.sql import HiveContext
import datetime
import sys
reload(sys)
sys.setdefaultencoding('utf-8')

# 初始化
conf=SparkConf().setAppName("genUserDescWords").setMaster("local")
sc=SparkContext(conf=conf)
hc=HiveContext(sc)

prt_dt = (datetime.datetime.now()-datetime.timedelta(days=2)).strftime('%Y-%m-%d')
sql = "select * from test.user_likes_info where prt_dt='"+prt_dt+"' limit 100"
# 生成DataFrame
df = hc.sql(sql)
# DataFrame转list
rows=df.collect()
cols=df.columns
cols_len=len(cols)
all_list=[]
for row in rows:
	user_info=[]
	likes_info=[]
	prt_info=[]
	most_like=[]
	for idx,col in enumerate(cols):
		if idx <3:
			user_info.append(row[col])
		elif idx == cols_len:
			prt_info.append(row[col])
		else:
			if idx == 3 and row[col]:
				most_like = row[col]
			else:
				likes_info.append(row[col])
	if most_like and most_like[0] in likes_info:
		likes_info.pop(likes_info.index(most_like[0]))
		likes_info+=[most_like[0]+",您大多数时间都花在这上面"]
	likes_info=list(set(likes_info))
	all_list.append('\t'.join(user_info+likes_info+prt_info))
# list转化成RDD
rdd=sc.parallelize(all_list)
# 通过RDD将数据保存到HDFS
rdd.saveAsTextFile("hdfs://192.168.2.61:8020/user/hhc/spark_test")

将上述代码保存py文件,然后再通过命令:/usr/bin/spark-submit file_name.py,即可运行。

评论 3
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