ルーカスVecchete:
私はと呼ばれるファイル読み込み、簡単なスパークSQLコードやりたいu.data
、映画の評価が含まれている、作成Dataset
のをRows
、その後、データセットの最初の行を印刷します。
私は前提がにファイルを読んで持っていたJavaRDD
、とに従ってRDDをマップratingsObject
(オブジェクトは2つのパラメータがあり、movieID
そしてrating
)。だから、僕は、このデータセットの最初の行を印刷したいです。
私は、Java言語とスパークSQLを使用しています。
public static void main(String[] args){
App obj = new App();
SparkSession spark = SparkSession.builder().appName("Java Spark SQL basic example").getOrCreate();
Map<Integer,String> movieNames = obj.loadMovieNames();
JavaRDD<String> lines = spark.read().textFile("hdfs:///ml-100k/u.data").javaRDD();
JavaRDD<MovieRatings> movies = lines.map(line -> {
String[] parts = line.split(" ");
MovieRatings ratingsObject = new MovieRatings();
ratingsObject.setMovieID(Integer.parseInt(parts[1].trim()));
ratingsObject.setRating(Integer.parseInt(parts[2].trim()));
return ratingsObject;
});
Dataset<Row> movieDataset = spark.createDataFrame(movies, MovieRatings.class);
Encoder<Integer> intEncoder = Encoders.INT();
Dataset<Integer> HUE = movieDataset.map(
new MapFunction<Row, Integer>(){
private static final long serialVersionUID = -5982149277350252630L;
@Override
public Integer call(Row row) throws Exception{
return row.getInt(0);
}
}, intEncoder
);
HUE.show();
//stop the session
spark.stop();
}
私は私が発見した可能な解決策の多くを試してみたが、それらのすべてが同じエラーを得ました:
Exception in thread "main" org.apache.spark.SparkException: Job aborted due to stage failure: Task 0 in stage 0.0 failed 4 times, most recent failure: Lost task 0.3 in stage 0.0 (TID 3, localhost, executor 1): java.lang.ArrayIndexOutOfBoundsException: 1
at com.ericsson.SparkMovieRatings.App.lambda$main$1e634467$1(App.java:63)
at org.apache.spark.api.java.JavaPairRDD$$anonfun$toScalaFunction$1.apply(JavaPairRDD.scala:1040)
at scala.collection.Iterator$$anon$11.next(Iterator.scala:409)
at scala.collection.Iterator$$anon$11.next(Iterator.scala:409)
at scala.collection.Iterator$$anon$11.next(Iterator.scala:409)
at org.apache.spark.sql.catalyst.expressions.GeneratedClass$GeneratedIteratorForCodegenStage1.processNext(Unknown Source)
at org.apache.spark.sql.execution.BufferedRowIterator.hasNext(BufferedRowIterator.java:43)
at org.apache.spark.sql.execution.WholeStageCodegenExec$$anonfun$10$$anon$1.hasNext(WholeStageCodegenExec.scala:614)
at org.apache.spark.sql.execution.SparkPlan$$anonfun$2.apply(SparkPlan.scala:253)
at org.apache.spark.sql.execution.SparkPlan$$anonfun$2.apply(SparkPlan.scala:247)
at org.apache.spark.rdd.RDD$$anonfun$mapPartitionsInternal$1$$anonfun$apply$25.apply(RDD.scala:830)
at org.apache.spark.rdd.RDD$$anonfun$mapPartitionsInternal$1$$anonfun$apply$25.apply(RDD.scala:830)
at org.apache.spark.rdd.MapPartitionsRDD.compute(MapPartitionsRDD.scala:38)
at org.apache.spark.rdd.RDD.computeOrReadCheckpoint(RDD.scala:324)
at org.apache.spark.rdd.RDD.iterator(RDD.scala:288)
at org.apache.spark.rdd.MapPartitionsRDD.compute(MapPartitionsRDD.scala:38)
at org.apache.spark.rdd.RDD.computeOrReadCheckpoint(RDD.scala:324)
at org.apache.spark.rdd.RDD.iterator(RDD.scala:288)
at org.apache.spark.scheduler.ResultTask.runTask(ResultTask.scala:87)
at org.apache.spark.scheduler.Task.run(Task.scala:109)
at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:345)
at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1149)
at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:624)
at java.lang.Thread.run(Thread.java:748)
そして、ここでのサンプルであるu.data
ファイル:
196 242 3 881250949
186 302 3 891717742
22 377 1 878887116
244 51 2 880606923
166 346 1 886397596
298 474 4 884182806
115 265 2 881171488
253 465 5 891628467
305 451 3 886324817
6 86 3 883603013
62 257 2 879372434
286 1014 5 879781125
200 222 5 876042340
210 40 3 891035994
224 29 3 888104457
303 785 3 879485318
122 387 5 879270459
194 274 2 879539794
最初の列がディ表しUserID
、第二MovieID
、第三rating
、および最後のタイムスタンプです。
GJCode:
あなたのデータの前に述べたようにスペースが分離されていません。私はあなたに2つの解決策、RDDに基づく最初のものと、一般的には、パフォーマンスの点で最適なソリューションであるスパークSQLに基づいて、第2のものを紹介します。
RDD(あなたはオーバーヘッドを削減するタイプに建て使用しなければなりません):
public class SparkDriver { public static void main (String args[]) { // Create a configuration object and set the name of // the application SparkConf conf = new SparkConf().setAppName("application_name"); // Create a spark Context object JavaSparkContext context = new JavaSparkContext(conf); // Create final rdd (suppose you have a text file) JavaPairRDD<Integer,Integer> movieRatingRDD = contextFile("u.data.txt") .mapToPair(line -> {( String[] tokens = line.split("\\s+"); int movieID = Integer.parseInt(tokens[0]); int rating = Integer.parseInt(tokens[1]); return new Tuple2<Integer, Integer>(movieID, rating);}); // Keep in mind that take operation takes the first n elements // and the order is the order of the file. ArrayList<Tuple2<Integer, Integer> list = new ArrayList<>(movieRatingRDD.take(10)); System.out.println("MovieID\tRating"); for(tuple : list) { System.out.println(tuple._1 + "\t" + tuple._2); } context.close(); }}
SQL
パブリッククラススパークドライバー{
public static void main(String[] args) { // Create spark session SparkSession session = SparkSession.builder().appName("[Spark app sql version]").getOrCreate(); Dataset<MovieRatings> personsDataframe = session.read() .format("tct") .option("header", false) .option("inferSchema", true) .option("delimiter", "\\s+") .load("u.data.txt") .map(row -> { int movieID = row.getInteger(0); int rating = row.getInteger(1); return new MovieRatings(movieID, rating); }).as(Encoders.bean(MovieRatings.class); // Stop session session.stop(); } }