如何在 pyspark 中将 DataFrame 转换回正常的 RDD？

Question

我需要使用

(rdd.)partitionBy(npartitions, custom_partitioner)

DataFrame 上不可用的方法。所有 DataFrame 方法仅引用 DataFrame 结果。那么如何从DataFrame数据创建一个RDD呢？

注意：这是对 1.2.0 的更改（在 1.3.0 中）。

Update 来自@dpangmao的回答：方法是.rdd。我有兴趣了解 (a) 它是否 public 和 (b) 性能影响是什么。

好吧 (a) 是，(b) - 好吧你可以在这里看到有重要的性能影响：必须通过调用 mapPartitions 创建一个新的 RDD :

在 dataframe.py 中（注意文件名也更改了（原为 sql.py）：

@property
def rdd(self):
    """
    Return the content of the :class:`DataFrame` as an :class:`RDD`
    of :class:`Row` s.
    """
    if not hasattr(self, '_lazy_rdd'):
        jrdd = self._jdf.javaToPython()
        rdd = RDD(jrdd, self.sql_ctx._sc, BatchedSerializer(PickleSerializer()))
        schema = self.schema

        def applySchema(it):
            cls = _create_cls(schema)
            return itertools.imap(cls, it)

        self._lazy_rdd = rdd.mapPartitions(applySchema)

    return self._lazy_rdd

Answer 1

像这样使用方法.rdd：

rdd = df.rdd

Answer 2

@dapangmao 的答案有效，但它没有给出常规的 spark RDD，它 returns 一个 Row 对象。如果你想要常规的RDD格式。

试试这个：

rdd = df.rdd.map(tuple)

或

rdd = df.rdd.map(list)

Answer 3

kennyut/Kistian 给出的答案非常有效，但是当 RDD 包含属性列表 时，要获得精确的 RDD 输出，例如[1,2,3,4] 我们可以使用 flatmap 命令如下，

rdd = df.rdd.flatMap(list)
or 
rdd = df.rdd.flatmap(lambda x: list(x))

如何在 pyspark 中将 DataFrame 转换回正常的 RDD？

How to convert a DataFrame back to normal RDD in pyspark?

python

apache-spark

pyspark