Scala 变量在 for-each 循环/字符串被截断后重置

Scala variable resets after for-each loop / string gets truncated

我正在做一个 Spark 项目。在下面的代码中,我有一个字符串,我用它来收集我的结果以便稍后写入文件(我知道这不是正确的方法,我只是检查返回的 Tuple3 中的内容一个方法)。在 for each 循环之后字符串被截断。这是我的代码的相关部分:

val newLine = sys.props("line.separator") // also tried "\n". I am using OS X.

var str = s"*** ${newLine}"

for (tuple3 <- ArrayOfTuple3s) {
  for (list <- tuple3._3) {
    for (strItem <- list) {
      str += s"${strItem}, "
    }
    str += s"${newLine}"
  }
  str += s"${newLine}"
  println(tempStr)
}

print("str=" + str)

第一个println方法调用打印出正确的字符串值(拼接结果),但是当循环结束时,str的值是***(相同在第一个循环之前分配给它的值)。

编辑: 我用 StringBuilder 替换了 str 不可变 String 对象,但结果没有变化:

val newLine: String = sys.props("line.separator")

var str1: StringBuilder = new StringBuilder(15000)

for (tuple3 <- ArrayOfTuple3s) {
  for (list <- tuple3._3) {
    for (str <- list) {
      str1.append(s"${str}, ")
    }
    str1.append(s"${newLine}")
  }
  str1.append(s"${newLine}")
  println(str1.toString())
}

print("resulting str1=" + str1.toString())

编辑 2: 我将 RDD 映射为直接获取 Tuple3 的第三个字段。该字段本身是列表数组的 RDD。我相应地更改了代码,但我仍然得到相同的结果(结果字符串为空,尽管在 for 循环中它不是)。

val rddOfArraysOfLists = getArrayOfTuple3s(mainRdd).map(_._3)

for (arrayOfLists <- rddOfArraysOfLists) {
  for (list <- arrayOfLists) {
    for (field <- list) {
      str1.append(s"${field}, ")
    }
    str1.append(" -- ")
  }
  str1.append(s"${newLine}")
  println(str1.toString())
}

编辑 4: 我认为问题根本不在于字符串。所有类型的变量似乎都有问题。

var count = 0

for (arrayOfLists <- myArray) {
  count = arrayOfLists.last(3).toInt
  println(s"count=$count")
}

println(s"count=$count")

该值在循环内非零,但在循环外为0。有什么想法吗?

编辑 5: 我不能发布整个代码(由于保密限制),但这是它的主要部分。如果重要的话,我在 Intellij Idea 的本地机器上 运行 Spark(用于调试)。

System.setProperty("spark.cores.max", "8")
System.setProperty("spark.executor.memory", "15g")    
val sc = new SparkContext("local", getClass.getName)            
val samReg = sc.objectFile[Sample](sampleLocation, 200).distinct

val samples = samReg.filter(f => f.uuid == "dce03545e8034242").sortBy(_.time).cache()

val top3Samples = samples.take(3)
for (sample <- top3Samples) {
  print("sample: ")
  println(s"uuid=${sample.uuid}, time=${sample.time}, model=${sample.model}")
}

val firstTimeStamp = samples.first.time
val targetTime = firstTimeStamp + 2592000 // + 1 month in seconds (samples during the first month)

val rddOfArrayOfSamples = getCountsRdd(samples.filter(_.time <= targetTime)).map(_._1).cache()
// Due to confidentiality matters, I cannot reveal the code, 
// but here is a description:
// I have an array of samples. Each sample has a few String fields 
// and is represented by a List[String]
// The above RDD is of the type RDD[Array[List[String]]]. 
// It contains only a single array of samples
// (because I passed a filtered set of samples to the function), 
// but it may contain more.
// The fourth field of each sample (list) is an increasing number (count)

println(s"number of arrays in the RDD: ${rddOfArrayOfSamples.count()}")

var maxCount = 0
for (arrayOfLists <- rddOfArrayOfSamples) {
  println(s"Last item of the array (a list)=${arrayOfLists.last}")
  maxCount = arrayOfLists.last(3).toInt
  println(s"maxCount=${maxCount}")
}
println(s"maxCount=${maxCount}")

输出:

示例:uuid=dce03545e8034242,时间=1360037324,型号=Nexus 4

示例:uuid=dce03545e8034242,时间=1360037424,型号=Nexus 4

示例:uuid=dce03545e8034242,时间=1360037544,型号=Nexus 4

RDD中的数组数:1

数组的最后一项(列表)=List(dce03545e8034242, Nexus 4, 1362628767, 32, 2089, 0.97, 0.15999999999999992, 0)

maxCount=32

maxCount=0

由于您没有 post 完整的示例,我不得不对部分代码进行仲裁。

我为您进行的第 4 次编辑:

val myArray = Array(
  List(List(0, 0, 0, 0), List(0, 0, 0, 0), List(0, 0, 0, 0)),
  List(List(1, 1, 1, 1), List(1, 1, 1, 1), List(1, 1, 1, 1)),
  List(List(2, 2, 2, 2), List(2, 2, 2, 2), List(2, 2, 2, 2))
)

运行 在 REPL 中:

var count = 0

for (arrayOfLists <- myArray) {
  count = arrayOfLists.last(3).toInt
  println(s"count=$count")
}

println(s"count=$count")

我得到:

scala> for (arrayOfLists <- myArray) {
     |   count = arrayOfLists.last(3).toInt
     |   println(s"count=$count")
     | }
count=0
count=1
count=2

scala> println(s"count=$count")
count=2

值在循环内非零并且在循环外非零。

如果你post一个完整例子,也许我们可以帮助你更多。

在对答案的评论中更新我的解释:

参见 this answer 一个有点相关的问题:

Not to get into too many details, but when you run different transformations on a RDD (map, flatMap, filter and others), your transformation code (closure) is:

serialized on the driver node,
shipped to the appropriate nodes in the cluster,
deserialized,
and finally executed on the nodes

您代码中的 for 只是 map.

的语法糖

因此,每次执行更新的 maxCount 在您的调用程序中并不相同 maxCount。那一个永远不会改变。

这里的教训是不要使用在块外更新变量的闭包(块)