Я использую искрообразование, чтобы непрерывно считывать данные с kafka и выполнять некоторую статистику. Я потоплю каждую секунду.Как найти сумму всех значений в RDD за DStream?
Итак, у меня есть одна секунда (dstreams). Каждый RDD внутри этого dstream содержит JSON.
Вот как у меня dstream:
kafkaStream = KafkaUtils.createDirectStream(stream, ['livedata'], {"metadata.broker.list": 'localhost:9092'})
raw = kafkaStream.map(lambda kafkaS: kafkaS[1])
clean = raw.map(lambda xs:json.loads(xs))
ОДИН ИЗ РДУ в моей чистой dstream выглядит следующим образом:
{u'epochseconds': 1458841451, u'protocol': 6, u'source_ip': u'192.168.1.124', \
u'destination_ip': u'149.154.167.120', u'datetime': u'2016-03-24 17:44:11', \
u'length': 1589, u'partitionkey': u'partitionkey', u'packetcount': 10,\
u'source_port': 43375, u'destination_port': 443}
И я, как 30-150 таких РДУ в каждый DStream.
Теперь, что я пытаюсь сделать, это получить общую сумму «lengths» или сказать «packetcounts» в каждом DStream. То есть,
rdd1.length + rdd2.length + ... + LastRDDInTheOneSecondBatch.length
Что я пробовал:
add=clean.map(lambda xs: (xs['length'],1)).reduceByKey(lambda a, b: a+b)
Что я получил:
Частота вместо суммы.
(17, 6)
(6, 24)
Что мне делать, чтобы иметь общую сумму вместо частоты ключей?
Работает, спасибо! Еще один дополнительный вопрос: я хочу добавить еще 2 параметра из чистого в add, скажем ('partitionkey', 'timestamp'), вместе с параметром length только что вычисленным. Как мне это сделать? – HackCode