python - 在Spark Streaming中查找中位数

我正在尝试编写最简单的代码示例：

from numpy import median
from pyspark.streaming import StreamingContext

ssc = StreamingContext(sc, 30)

qs = ssc.queueStream([[1,2,3],[4,5],[6,7,8,9,9]])
output = qs.foreachRDD(median)

output.pprint()

ssc.start(); ssc.awaitTermination()

我想为流中的每个rdd生成中位数。我的流每30秒出现一次。
为了测试我的代码，我做了一个queueStream

当我查看输出的类型时，我得到以下信息：

 type(output)
<type 'NoneType'>

为什么会这样呢？当我尝试使用median将map应用于流时，它将中值函数一次应用于列表的每个成员。我想将中值函数作为一个整体应用于整个RDD，所以map函数就不成问题了。

如何在Spark Streaming中计算流的中位数？

最佳答案

扩展@Justin的答案：发生了什么：

median()

分别应用于每个DStream。但是结果没有被任何人使用..为什么？ foreachRdd（）是一个动作，而不是一个转换。

您应该查看DStream转换： map（）：这是尚未100％调试的代码-但它提供了一种结构：

from pyspark.streaming import *
ssc = StreamingContext(sc, 30)
dataRdd = [sc.parallelize(d, 1) for d in [[1,2,3],[4,5],[6,7,8,9,9]]]
qs = ssc.queueStream(dataRdd)

def list_median((med,mylist),newval):
    mylist = [newval] if not mylist else mylist.append(newval)
    mylist = sorted(mylist)
    return (mylist[int(len(mylist)/2)], mylist)

medians = qs.reduce(list_median).map(lambda (med,list): med)
def printRec(rdd):
    import sys
    rdd.foreach(lambda rec: sys.stderr.write(repr(rec)))

medians.foreachRDD(printRec)
ssc.start(); ssc.awaitTermination()

关于python - 在Spark Streaming中查找中位数，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/29112610/