データセットをトラバースして、Jaro winklerやCosine Similarityなどの文字列類似度計算を実行しようとしています。データセットを行のリストに変換し、効率の悪いforステートメントでトラバースしますsparkこれを行う方法なので、Sparkでのより良いアプローチを楽しみにしています。
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();
}
}
はっきりしないJavaRDDの例をたくさん見つけました。データセットの例は非常に役立ちます。
以下のようにorg.Apache.spark.api.Java.function.ForeachFunction
を使用できます。
oldDF.foreach((ForeachFunction<Row>) row -> System.out.println(row));
ラムダ式をサポートしていない古いJava jdksの場合、インポート後に以下を使用できます。
import org.Apache.spark.api.Java.function.VoidFunction;
yourDataSet.toJavaRDD().foreach(new VoidFunction<Row>() {
public void call(Row r) throws Exception {
System.out.println(r.getAs("your column name here"));
}
});