如何 traverse/iterate Spark Java 中的数据集？

Question

我正在尝试遍历数据集以进行一些字符串相似度计算，例如 Jaro winkler 或余弦相似度。我将我的数据集转换为行列表，然后使用 for 语句遍历，这不是高效的 spark 方法。所以我期待在 Spark 中有更好的方法。

public class sample {

    public static void main(String[] args) {
        JavaSparkContext sc = new JavaSparkContext(new SparkConf().setAppName("Example").setMaster("local[*]"));
        SQLContext sqlContext = new SQLContext(sc);
        SparkSession spark = SparkSession.builder().appName("JavaTokenizerExample").getOrCreate();

        List<Row> data = Arrays.asList(RowFactory.create("Mysore","Mysuru"),
                RowFactory.create("Name","FirstName"));
        StructType schema = new StructType(
                new StructField[] { new StructField("Word1", DataTypes.StringType, true, Metadata.empty()),
                        new StructField("Word2", DataTypes.StringType, true, Metadata.empty()) });

        Dataset<Row> oldDF = spark.createDataFrame(data, schema);
        oldDF.show();
        List<Row> rowslist = oldDF.collectAsList(); 
    }
}

我找到了很多我不清楚的JavaRDD例子。数据集示例将对我有很大帮助。

Answer 1

您可以像下面那样使用 org.apache.spark.api.java.function.ForeachFunction。

oldDF.foreach((ForeachFunction<Row>) row -> System.out.println(row));

Answer 2

对于不支持lambda表达式的旧java jdks，导入后可以使用如下：

import org.apache.spark.api.java.function.VoidFunction;

yourDataSet.toJavaRDD().foreach(new VoidFunction<Row>() {
        public void call(Row r) throws Exception {
            System.out.println(r.getAs("your column name here"));
        }
    });