apache-spark - 如何使用 Pyspark 组合两个 Dstream（类似于普通 RDD 上的 .zip）

Question

我知道我们可以在 pyspark 中组合（如 R 中的 cbind）两个 RDD，如下所示：

rdd3 = rdd1.zip(rdd2)

我想对 pyspark 中的两个 Dstream 执行相同的操作。是否有可能或任何替代方案？

事实上，我正在使用 MLlib 随机森林模型来预测使用火花流。最后，我想将特征 Dstream 和预测 Dstream 结合在一起进行进一步的下游处理。

提前致谢。

-奥贝德

Answer 1

最后，我在下面使用。

诀窍是使用“native python map”和“spark spreaming transform”。可能不是一种优雅的方式，但它有效:)。

def predictScore(texts, modelRF):
    predictions = texts.map( lambda txt :  (txt , getFeatures(txt)) ).\
     map(lambda (txt, features) : (txt ,(features.split(','))) ).\
     map( lambda (txt, features) : (txt, ([float(i) for i in features])) ).\
     transform( lambda  rdd: sc.parallelize(\
       map( lambda x,y:(x,y), modelRF.predict(rdd.map(lambda (x,y):y)).collect(),rdd.map(lambda (x,y):x).collect() )\
       )\
     )
    # in the transform operation: x=text and y=features
    # Return will be tuple of (score,'original text')
    return predictions

希望，它会帮助面临同样问题的人。如果有人有更好的想法，请在此处发布。

-奥贝德

注意：我还在 spark 用户列表上提交了问题，并在那里发布了我的答案。