spark的学习,lambda,map,filter,flatmap/按照字典表中的指定键或值排序

2023-12-20 23:08

本文主要是介绍spark的学习,lambda,map,filter,flatmap/按照字典表中的指定键或值排序,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

spark的学习,lambda,map,filter,flatmap
重点:需要明白各个不同函数作用后剩下的数据的情况,是保留全部列,还是当前作用的列;其次,还需明白不同函数他们的映射条件,通常都是二值变量作为条件:

经典写法1:

 df_crawler_merged_name_err = df_crawler_merged.rdd.filter(lambda _: not _legal_check(_["name"])).map(lambda _: Row(name=_["name"]))

经典写法2:

 a_data = json.loads(a_str)if a_data and a_data.get("shareHolderList", []):a_b_l = a_data.get("shareHolderList", [])shareholderName_s = filter(lambda _: len(_) > 0, [_.get("shareholderName", "") for _ in a_b_l if _])return shareholderName_sreturn []

经典写法3
比较复杂

 news_path_data_rows = news_data_2_gz_rawRdd\.map(lambda _: (news_data_2_aPathPattern.findall(_), contentPattern.findall(_)))\.filter(lambda _: len(_)>1 and len(_[0]) > 0 and len(_[1]) > 0 and json.loads(_[1][0]).get("content"))\.map(lambda _: Row(pth=_[0][0].replace('newsAnalysis/', ""), content=json.loads(_[1][0]).get("content")))\.map(lambda _: Row(result=mapping_tag_by_content(_["content"], _["pth"])))\.filter(lambda _: len(_["result"]) > 1)

经典写法4:filter里面含多个条件,类似地,其他映射函数也可以;

df_eid_person_text = spark.read.text("hdfs://sc-bd-10:9000/scdata/huangyu/person_new.csv")
df_eid_person = df_eid_person_text\.rdd\.map(lambda _: Row(**clean_person_row(_["value"])))\.filter(lambda _: _["new_eid"] and person_is_legal(_["person_name"]) and not filter_inv_name(_["person_name"])).toDF()
df_eid_person.createOrReplaceTempView("eid_person_table")

上述filter里面含有多个条件:

filter(lambda _: _["new_eid"] and person_is_legal(_["person_name"]) and not filter_inv_name(_["person_name"]))

按照字典表中的指定键或值排序:

 classifies = sorted(result.items(), key=lambda _: _[1], reverse=True)

上式中lambda表达式逗号后面的列表组成一个判断的对象(变量列表),[.get(“shareholderName”, “”) for in a_b_l if ],表示变量,首先是for _ in a_b_l ,再是if ,再是.get(“shareholderName”, “”),最后为一个列表;

#!/usr/bin/env python
# encoding: utf-8import sysreload(sys)
sys.setdefaultencoding('utf8')def _parse_ent_status(a_str):if not a_str:return ""a_data = json.loads(a_str)if a_data and a_data.get("basicList", []):a_b_l = a_data.get("basicList", [])return a_b_l[0].get("enterpriseStatus", "")return ""def parse_ent_status(a_str):try:return _parse_ent_status(a_str)except:return ""def statistic_status():parse_ent_status_udf = udf(parse_ent_status, StringType())df_crawler_status = df_crawler_merged.withColumn("status", parse_ent_status_udf(df_crawler_merged["results"]))df_crawler_status.createOrReplaceTempView("crawler_status")spark.sql("select DISTINCT(status) from crawler_status").show(2000, False)def _parse_ent_regCapCur(a_str):regCapCur = ""if not a_str:return ""a_data = json.loads(a_str)if a_data and a_data.get("basicList", []):a_b_l = a_data.get("basicList", [])regCapCur = a_b_l[0].get("regCapCur", "")for a_share in a_data.get("shareHolderList", []):regCapCur = regCapCur or a_share.get("regCapCur", "")return regCapCurdef parse_ent_regCapCur(a_str):try:return _parse_ent_regCapCur(a_str)except:return ""def statistic_regCapCur():a_udf = udf(parse_ent_regCapCur, StringType())df_crawler_field = df_crawler_merged.withColumn("regCapCur", a_udf(df_crawler_merged["results"]))df_crawler_field.createOrReplaceTempView("crawler_regCapCur")spark.sql("select regCapCur, name from crawler_regCapCur where LENGTH(regCapCur) > 10 or regCapCur like '%.%' or regCapCur like '%0%'").show(2000, False)# spark.sql("select DISTINCT(regCapCur) from crawler_regCapCur").show(2000, False)def _parse_position(a_str):if not a_str:return ""a_data = json.loads(a_str)a_person_list = [u"监" , u"其" , u"董" , u"经", u"负责人", u"代表" , u"理事长", u"人", u"投资人", u"支局长", u"长", u"工程师",]if a_data and a_data.get("personList", []):a_b_l = a_data.get("personList", [])# return u"、".join(set([_.get("position", u"") for _ in a_b_l if _]))position_filter = u"、".join(set([_.get("position", u"") for _ in a_b_l if _]))# 统计过滤if any(map(lambda _: _ in position_filter, a_person_list)):return ""else:return position_filterreturn ""def parse_position(a_str):try:return _parse_position(a_str)except:return ""def statistic_position():# position_str_rdd = df_crawler_merged.rdd.map(lambda _: Row(position_str=parse_position(_["results"]), name=_["name"]))position_str_rdd = df_crawler_merged.rdd.map(lambda _: Row(name=_["name"], position_str=_parse_position(_["results"])))position_str_rdd.toDF().createOrReplaceTempView("position_all")spark.sql("select name from position_all where LENGTH(position_str) > 1 ").show(10000000, False)def _parse_share_name(a_str):if not a_str:return []a_data = json.loads(a_str)if a_data and a_data.get("shareHolderList", []):a_b_l = a_data.get("shareHolderList", [])shareholderName_s = filter(lambda _: len(_) > 0, [_.get("shareholderName", "") for _ in a_b_l if _])return shareholderName_sreturn []def statistic_share_name():# todo 需要继续做position_str_rdd = df_crawler_merged.rdd.map(lambda _: Row(share_name=_parse_share_name(_["results"]))).flatMap(lambda x: x["share_name"]).map(lambda _: Row(name=_))position_str_rdd.toDF().createOrReplaceTempView("share_name_table")# df_name_all = spark.sql("select _c0 as name from base_info_named_eid UNION select name from crawler_merged")df_name_all = spark.sql("select _c0 as name from base_info_named_eid")df_name_all.createOrReplaceTempView("name_all")# df_share_name = spark.sql("select t1.name from share_name_table t1 where t1.name in (SELECT t2.name from name_all t2) or LENGTH(t1.name) > 5")df_share_name = spark.sql("select t1.name from share_name_table t1 where t1.name in (SELECT t2.name from name_all t2) and LENGTH(t1.name)>4")print df_share_name.count()# print df_share_name.show(10000, False)def statistic_company_name():df_crawler_merged_name_err = df_crawler_merged.rdd.filter(lambda _: not _legal_check(_["name"])).map(lambda _: Row(name=_["name"]))print df_crawler_merged_name_err.distinct().toDF().show(10000, False)

python保存csv的代码:

def get_origin_content(file_path):with codecs.open(filename=file_path, mode="r", encoding="utf8") as f:try:data = json.loads(f.read())except Exception as e:data = ""return datadef label_save(save_path, content, sentence_lst):if not os.path.exists(save_path):os.makedirs(save_path)with codecs.open(save_path, "a", "utf8") as f:f.write(json.dumps({"content": content, "sentenceLst": sentence_lst}, ensure_ascii=False, indent=2))

这篇关于spark的学习,lambda,map,filter,flatmap/按照字典表中的指定键或值排序的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/517858

相关文章

Golang如何对cron进行二次封装实现指定时间执行定时任务

《Golang如何对cron进行二次封装实现指定时间执行定时任务》:本文主要介绍Golang如何对cron进行二次封装实现指定时间执行定时任务问题,具有很好的参考价值,希望对大家有所帮助,如有错误... 目录背景cron库下载代码示例【1】结构体定义【2】定时任务开启【3】使用示例【4】控制台输出总结背景

深度解析Spring Boot拦截器Interceptor与过滤器Filter的区别与实战指南

《深度解析SpringBoot拦截器Interceptor与过滤器Filter的区别与实战指南》本文深度解析SpringBoot中拦截器与过滤器的区别,涵盖执行顺序、依赖关系、异常处理等核心差异,并... 目录Spring Boot拦截器(Interceptor)与过滤器(Filter)深度解析:区别、实现

springboot项目打jar制作成镜像并指定配置文件位置方式

《springboot项目打jar制作成镜像并指定配置文件位置方式》:本文主要介绍springboot项目打jar制作成镜像并指定配置文件位置方式,具有很好的参考价值,希望对大家有所帮助,如有错误... 目录一、上传jar到服务器二、编写dockerfile三、新建对应配置文件所存放的数据卷目录四、将配置文

一文详解Java Stream的sorted自定义排序

《一文详解JavaStream的sorted自定义排序》Javastream中的sorted方法是用于对流中的元素进行排序的方法,它可以接受一个comparator参数,用于指定排序规则,sorte... 目录一、sorted 操作的基础原理二、自定义排序的实现方式1. Comparator 接口的 Lam

python3如何找到字典的下标index、获取list中指定元素的位置索引

《python3如何找到字典的下标index、获取list中指定元素的位置索引》:本文主要介绍python3如何找到字典的下标index、获取list中指定元素的位置索引问题,具有很好的参考价值,... 目录enumerate()找到字典的下标 index获取list中指定元素的位置索引总结enumerat

Java实现删除文件中的指定内容

《Java实现删除文件中的指定内容》在日常开发中,经常需要对文本文件进行批量处理,其中,删除文件中指定内容是最常见的需求之一,下面我们就来看看如何使用java实现删除文件中的指定内容吧... 目录1. 项目背景详细介绍2. 项目需求详细介绍2.1 功能需求2.2 非功能需求3. 相关技术详细介绍3.1 Ja

Python pip下载包及所有依赖到指定文件夹的步骤说明

《Pythonpip下载包及所有依赖到指定文件夹的步骤说明》为了方便开发和部署,我们常常需要将Python项目所依赖的第三方包导出到本地文件夹中,:本文主要介绍Pythonpip下载包及所有依... 目录步骤说明命令格式示例参数说明离线安装方法注意事项总结要使用pip下载包及其所有依赖到指定文件夹,请按照以

Java中Map.Entry()含义及方法使用代码

《Java中Map.Entry()含义及方法使用代码》:本文主要介绍Java中Map.Entry()含义及方法使用的相关资料,Map.Entry是Java中Map的静态内部接口,用于表示键值对,其... 目录前言 Map.Entry作用核心方法常见使用场景1. 遍历 Map 的所有键值对2. 直接修改 Ma

Go学习记录之runtime包深入解析

《Go学习记录之runtime包深入解析》Go语言runtime包管理运行时环境,涵盖goroutine调度、内存分配、垃圾回收、类型信息等核心功能,:本文主要介绍Go学习记录之runtime包的... 目录前言:一、runtime包内容学习1、作用:① Goroutine和并发控制:② 垃圾回收:③ 栈和

Java中JSON格式反序列化为Map且保证存取顺序一致的问题

《Java中JSON格式反序列化为Map且保证存取顺序一致的问题》:本文主要介绍Java中JSON格式反序列化为Map且保证存取顺序一致的问题,具有很好的参考价值,希望对大家有所帮助,如有错误或未... 目录背景问题解决方法总结背景做项目涉及两个微服务之间传数据时,需要提供方将Map类型的数据序列化为co