我正在尝试遍历数据集以执行一些字符串相似度计算,如Jaro Winkler或余弦相似度。我将我的数据集转换为行列表,然后使用for语句遍历,但这并不是Spark中高效的方式。因此,我期待在Spark中找到更好的方法。
public class sample {
public static void main(String[] args) {
JavaSparkContext sc = new JavaSparkContext(new SparkConf().setAppName("Example").setMaster("local[*]"));
SQLContext sqlContext = new SQLContext(sc);
SparkSession spark = SparkSession.builder().appName("JavaTokenizerExample").getOrCreate();
List<Row> data = Arrays.asList(RowFactory.create("Mysore","Mysuru"),
RowFactory.create("Name","FirstName"));
StructType schema = new StructType(
new StructField[] { new StructField("Word1", DataTypes.StringType, true, Metadata.empty()),
new StructField("Word2", DataTypes.StringType, true, Metadata.empty()) });
Dataset<Row> oldDF = spark.createDataFrame(data, schema);
oldDF.show();
List<Row> rowslist = oldDF.collectAsList();
}
}
我发现很多JavaRDD的例子并不清楚,一个Dataset的例子会对我很有帮助。