pyspark：使用从 kafka 检索到的数据训练 kmeans 流

Question

我想使用从 kafka 主题消耗的数据来训练流式 kmeans 模型。

我的问题是如何呈现 kmeans streamig 模型的数据

sc = SparkContext(appName="PythonStreamingKafka")
ssc = StreamingContext(sc, 30)

zkQuorum, topic = sys.argv[1:]
kvs = KafkaUtils.createStream(ssc, zkQuorum, "spark-streaming-consumer", {topic: 1})
lines = kvs.map(lambda x: x[1])

lines.pprint()

此输出（这些是我用“|”分隔的特征）：

1.0|2.0|0.0|21.0|2.0

那我想做这个

model = StreamingKMeans(k=2, decayFactor=1.0).setRandomCenters(3, 1.0, 0)
model.trainOn(lines)

如果我合并两段代码，我会得到错误：

TypeError: Cannot convert type <type 'unicode'> into Vector

Answer 1

第一个问题是格式化从 kafka 中提取的流。这是管道分隔数据的工作方式

sc = SparkContext(appName="PythonStreamingKafka")
ssc = StreamingContext(sc, 30)

zkQuorum, topic = sys.argv[1:]
kvs = KafkaUtils.createStream(ssc, zkQuorum, "spark-streaming-consumer", {topic: 1})

raw = kvs.flatMap(lambda kafkaS: [kafkaS])
lines = raw.map(lambda xs: xs[1].split("|"))

lines = lines.map(lambda x: DenseVector(x))

第二个问题是数据的维度：setRandomCenters的第一个参数（它应该与特征的数量相同）

pyspark：使用从 kafka 检索到的数据训练 kmeans 流

pyspark: train kmeans streaming with data retrieved from kafka

python

pyspark

spark-streaming

rdd

dstream