PySpark评估

Question

我正在尝试以下代码，该代码向RDD中的每一行添加一个数字，并使用PySpark返回RDD列表。

from pyspark.context import SparkContext
file  = "file:///home/sree/code/scrap/sample.txt"
sc = SparkContext('local', 'TestApp')
data = sc.textFile(file) 
splits = [data.map(lambda p :  int(p) + i) for i in range(4)]
print splits[0].collect()
print splits[1].collect()
print splits[2].collect()

输入文件（sample.txt）中的内容为：

1
2
3

我期待这样的输出（将rdd中的数字分别添加0、1、2）：

[1,2,3]
[2,3,4]
[3,4,5]

而实际输出是：

[4, 5, 6]
[4, 5, 6]
[4, 5, 6]

这意味着无论 范围（4） 为何，该理解仅将值3用于变量i 。

为什么会发生这种现象？

Answer 1

它的发生是由于Python的后期绑定，而不是特定于（Py）Spark的。i将在lambda p : int(p) + i使用时（而不是在定义时）查找。通常，它是指何时调用它，但在此特定上下文中，它是序列化发送给工作人员的时间。

您可以例如执行以下操作：

def f(i):
    def _f(x):
        try:
            return int(x) + i
        except:
            pass
    return _f

data = sc.parallelize(["1", "2", "3"])
splits = [data.map(f(i)) for i in range(4)]
[rdd.collect() for rdd in splits]
## [[1, 2, 3], [2, 3, 4], [3, 4, 5], [4, 5, 6]]