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

使用Python实现获取网页指定内容

《使用Python实现获取网页指定内容》在当今互联网时代,网页数据抓取是一项非常重要的技能,本文将带你从零开始学习如何使用Python获取网页中的指定内容,希望对大家有所帮助... 目录引言1. 网页抓取的基本概念2. python中的网页抓取库3. 安装必要的库4. 发送HTTP请求并获取网页内容5. 解

SpringBoot如何通过Map实现策略模式

《SpringBoot如何通过Map实现策略模式》策略模式是一种行为设计模式,它允许在运行时选择算法的行为,在Spring框架中,我们可以利用@Resource注解和Map集合来优雅地实现策略模式,这... 目录前言底层机制解析Spring的集合类型自动装配@Resource注解的行为实现原理使用直接使用M

C++ 各种map特点对比分析

《C++各种map特点对比分析》文章比较了C++中不同类型的map(如std::map,std::unordered_map,std::multimap,std::unordered_multima... 目录特点比较C++ 示例代码 ​​​​​​代码解释特点比较1. std::map底层实现:基于红黑

Python实现合并与拆分多个PDF文档中的指定页

《Python实现合并与拆分多个PDF文档中的指定页》这篇文章主要为大家详细介绍了如何使用Python实现将多个PDF文档中的指定页合并生成新的PDF以及拆分PDF,感兴趣的小伙伴可以参考一下... 安装所需要的库pip install PyPDF2 -i https://pypi.tuna.tsingh

Python容器类型之列表/字典/元组/集合方式

《Python容器类型之列表/字典/元组/集合方式》:本文主要介绍Python容器类型之列表/字典/元组/集合方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录1. 列表(List) - 有序可变序列1.1 基本特性1.2 核心操作1.3 应用场景2. 字典(D

C++快速排序超详细讲解

《C++快速排序超详细讲解》快速排序是一种高效的排序算法,通过分治法将数组划分为两部分,递归排序,直到整个数组有序,通过代码解析和示例,详细解释了快速排序的工作原理和实现过程,需要的朋友可以参考下... 目录一、快速排序原理二、快速排序标准代码三、代码解析四、使用while循环的快速排序1.代码代码1.由快

Spring Boot拦截器Interceptor与过滤器Filter详细教程(示例详解)

《SpringBoot拦截器Interceptor与过滤器Filter详细教程(示例详解)》本文详细介绍了SpringBoot中的拦截器(Interceptor)和过滤器(Filter),包括它们的... 目录Spring Boot拦截器(Interceptor)与过滤器(Filter)详细教程1. 概述1

Java进阶学习之如何开启远程调式

《Java进阶学习之如何开启远程调式》Java开发中的远程调试是一项至关重要的技能,特别是在处理生产环境的问题或者协作开发时,:本文主要介绍Java进阶学习之如何开启远程调式的相关资料,需要的朋友... 目录概述Java远程调试的开启与底层原理开启Java远程调试底层原理JVM参数总结&nbsMbKKXJx

Flask解决指定端口无法生效问题

《Flask解决指定端口无法生效问题》文章讲述了在使用PyCharm开发Flask应用时,启动地址与手动指定的IP端口不一致的问题,通过修改PyCharm的运行配置,将Flask项目的运行模式从Fla... 目录android问题重现解决方案问题重现手动指定的IP端口是app.run(host='0.0.

JavaScript中的Map用法完全指南

《JavaScript中的Map用法完全指南》:本文主要介绍JavaScript中Map用法的相关资料,通过实例讲解了Map的创建、常用方法和迭代方式,还探讨了Map与对象的区别,并通过一个例子展... 目录引言1. 创建 Map2. Map 和对象的对比3. Map 的常用方法3.1 set(key, v