pyspark：ml + 流媒体

Question

根据可以对 spark 中的输入流进行预测。

给定示例（适用于我的集群）的问题是 testData 是正确格式的给定权利。

我正在尝试基于数据字符串设置客户端 <-> 服务器 tcp 交换。我不知道如何将字符串转换为正确的格式。

虽然这有效：

sep       = ";"
str_recue = '0.0;0.1;0.2;0.3;0.4;0.5'
rdd       = sc.parallelize([str_recue])
chemin = "hdfs://xx.xx.xx.xx:8020/cart_model_for_cycliste_v2"
model  = DecisionTreeClassificationModel.load(chemin)
# travail sur la string
rdd2      = rdd.map( lambda data   : data.split(sep))
rdd3      = rdd2.map(lambda tableau: [float(x) for x in tableau])
# création df
cols      = ["c1", "c2", "c3", "c4", "c5", "c6"]
fields    = [StructField(x, FloatType(), True) for x in cols]
schema    = StructType(fields) 
df        = spark.createDataFrame(rdd3, schema=schema ) 
# preparation d'une colonne de features
schema    = StructType(fields)
assembler = VectorAssembler()
assembler = assembler.setInputCols(cols)
assembler = assembler.setOutputCol("features")
df2       = assembler.transform(df)
model.transform(df2).show()

捐赠：

+---+---+---+---+---+---+--------------------+-------------+-----------+----------+
| c1| c2| c3| c4| c5| c6|            features|rawPrediction|probability|prediction|
+---+---+---+---+---+---+--------------------+-------------+-----------+----------+
|0.0|0.1|0.2|0.3|0.4|0.5|[0.0,0.1000000014...| [0.0,3426.0]|  [0.0,1.0]|       1.0|
+---+---+---+---+---+---+--------------------+-------------+-----------+----------+

我不知道如何让它在监听套接字时工作。

我有我的服务器：

import socket
import random
import time
port = 12003
ip   = socket.gethostname()
serversocket = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
serversocket.bind((ip, port))
serversocket.listen(1)
(clientsocket, address) = serversocket.accept()
nb_d_envois = 10
tps_attente = 3
for i in range(nb_d_envois):
    time.sleep(tps_attente)
    sep     = ";"
    to_send = '0.0;0.1;0.2;0.3;0.4;0.5'
    print(to_send)
    clientsocket.send(to_send.encode())

向我的 spark Streaming 上下文发送一个字符串。接下来做什么？这是我的问题。根据：https://github.com/apache/spark/blob/master/examples/src/main/python/streaming/sql_network_wordcount.py 应该可以做一个 [foreach]

所以我创建了一个函数：

def prevoir(time, rdd):
    sep       = ";"
    chemin = "hdfs://54.37.12.49:8020/cart_model_for_cycliste_v2"
    model  = DecisionTreeClassificationModel.load(chemin)
    # travail sur la string
    rdd2      = rdd.map( lambda data   : data.split(sep))
    rdd3      = rdd2.map(lambda tableau: [float(x) for x in tableau])
    # création df
    cols      = ["c1", "c2", "c3", "c4", "c5", "c6"]
    fields    = [StructField(x, FloatType(), True) for x in cols]
    schema    = StructType(fields) 
    df        = spark.createDataFrame(rdd3, schema=schema ) 
    # preparation d'une colonne de features
    schema    = StructType(fields)
    assembler = VectorAssembler()
    assembler = assembler.setInputCols(cols)
    assembler = assembler.setOutputCol("features")
    df2       = assembler.transform(df)
    model.transform(df2).show()

并将其应用于流式上下文：

ssc     = StreamingContext(sc, 5)
dstream = ssc.socketTextStream(listen_to_ip, listen_to_port)
dstream.foreachRDD(prevoir)

但什么也没有出现（甚至没有正常时间信息）。也没有错误。

我的疑惑是：

该函数未注册为 UDF，所以我怀疑它根本无法调用
通过hdfs加载模型当然应该只做一次并作为参数传递
"show" 函数在我看来并不是真正的分布式（但它在未应用于 'foreachrdd' 时有效...=> 也许我应该在 hdfs 上保存一些东西？

欢迎任何帮助...

Answer 1

数据没有从服务器发送到流上下文。代码正确。

pyspark：ml + 流媒体

pyspark : ml + streaming

python

apache-spark

spark-streaming

apache-spark-mllib