hadoop - 带有序列文件的Spark RDD take()

看起来RDD.take()只是重复由SequenceFile支持时读取的最后一个元素。
例如:

val rdd = sc.sequenceFile("records.seq", classOf[LongWritable], classOf[RecordWritable])
val records: Array[(LongWritable, RecordWritable)] = rdd.take(5)
System.out.println(records.map(_._2.toString).mkString("\n"))

输出:

Record(3.1, 2.5)
Record(3.1, 2.5)
Record(3.1, 2.5)
Record(3.1, 2.5)
Record(3.1, 2.5)

即使我知道行是唯一的。
sc.binaryRecords()也存在此问题。

我意识到这可能与Hadoop可写缓存问题有关，但是是否有解决此问题的计划？有什么解决方法吗？

最佳答案

我尝试复制您的问题，是的，当直接调用 sc.sequenceFile()的结果直接调用和时，我也看到了类似的行为。但是能够找到解决方法:

注意:我在解释使用LongWritable和Text而不是RecordWritable。我不确定RecordWritable是否需要导入
我的序列文件包含:(0,0) (1,1) (2,2) ...

val rdd = sc.sequenceFile("sequencefile.seq", classOf[LongWritable], classOf[Text])
val map = rdd.map(case (k,v) => (k.get(),v.toString()))
map.take(1);
res5: Array[(Long, String)] = Array((0,0))
map.take(5);
res4: Array[(Long, String)] = Array((0,0), (1,1), (2,2), (3,3), (4,4))

关于hadoop - 带有序列文件的Spark RDD take()，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/33660497/