我正在映射 HBase 表，为每个 HBase 行生成一个 RDD 元素。但是，有时该行有错误数据(在解析代码中抛出 NullPointerException)，在这种情况下我只想跳过它。
我的初始映射器返回 Option表示它返回 0 或 1 个元素，然后过滤 Some ，然后获取包含的值:
// myRDD is RDD[(ImmutableBytesWritable, Result)]
val output = myRDD.
map( tuple => getData(tuple._2) ).
filter( {case Some(y) => true; case None => false} ).
map( _.get ).
// ... more RDD operations with the good data
def getData(r: Result) = {
val key = r.getRow
var id = "(unk)"
var x = -1L
try {
id = Bytes.toString(key, 0, 11)
x = Long.MaxValue - Bytes.toLong(key, 11)
// ... more code that might throw exceptions
Some( ( id, ( List(x),
// more stuff ...
) ) )
} catch {
case e: NullPointerException => {
logWarning("Skipping id=" + id + ", x=" + x + "; \n" + e)
None
}
}
}
有没有更惯用的方法来做到这一点更短？我觉得这看起来很乱，都在
getData()并在
map.filter.map我正在跳舞。
也许是
flatMap可以工作(在
Seq 中生成 0 或 1 个项目)，但我不希望它展平我在 map 函数中创建的元组，只需消除空。
请您参考如下方法:
另一种通常被忽视的方法是使用 collect(PartialFunction pf) ，这意味着“选择”或“收集”RDD中在部分函数中定义的特定元素。
代码如下所示:
val output = myRDD.collect{case Success(tuple) => tuple }
def getData(r: Result):Try[(String, List[X])] = Try {
val id = Bytes.toString(key, 0, 11)
val x = Long.MaxValue - Bytes.toLong(key, 11)
(id, List(x))
}
