Spark版本:2.1
Python版本：2.7.12
之前想做一个检索式的智能对话，其实只用SparkRDD是完全可以的，但是想实用一下SparkSQL，所以有点强搬硬套的感觉，不过没关系，干货就是干货，对于了解SparkSQL的基本使用肯定是有帮助的。
1、SparkSQL从mysql中获取数据
回忆一下之前文章中的提到的使用pyspark并从mysql中获取数据，完整代码如下：
from pyspark.sql import SparkSession
from pyspark.sql import SQLContext
sc = SparkSession.builder.appName("Python Spark SQL basic example")\
.config('spark.some.config,option0','some-value')\
.getOrCreate()
ctx = SQLContext(sc)
jdbcDf=ctx.read.format("jdbc").options(url="jdbc:mysql://localhost:3306/test",
driver="com.mysql.jdbc.Driver",
dbtable="(SELECT * FROM chat) tmp",user="root",
password="0845").load()
print(jdbcDf.printSchema())
数据如下图所示：
2、DataFrame转RDD
一开始，我尝试了如下的DataFrame转RDD的方法，首先使用select方法选择其中id和vector两列，随后使用sparkSession的rdd方法转换成RDD：
vectors= df.select(df['id'],df['vector'])
vector_rdd = vectors.rdd.map(lambda p:(p.id,[float(x) for x in p.vector.split(' ')]))
运行报错了，对于我来说，至今仍是个未解之谜！
后来看了官方文档，文档上面按照如下的代码，首先将我们从mysql读入的数据转换成一个虚拟的表，然后使用类似mysql的选择语句，选择出其中两列，再进行转换，居然真的成功了！：
df.createOrReplaceTempView('chats')
vectors = sc.sql('Select id,vector from chats')
vector_rdd = vectors.rdd.map(lambda p:(p.id,[float(x) for x in p.vector.split(' ')]))
3、句子相似度计算
假设我们输入的句子是“我想问一个问题”,运行我在之前文章中提到过的word2vec模型，将其转换为词向量，随后转换为一个RDD对象。
model = gensim.models.Word2Vec.load('wiki.zh.text.model')
def list_to_vector(q_list):
q_vec = np.zeros((400),dtype= np.float32)
for word in q_list:
if word in model:
q_vec += model[word]
return (list(q_vec))
spark = sc.sparkContext
data = spark.parallelize([list_to_vector(list(jieba.cut('我想问一个问题')))])
这里的输入是对句子分词的结果，由于计算相似度的方法我选的是余弦相似度，该相似度的计算只与向量的方向有关，与向量的大小无关，所以我直接在每一维上进行相加，而没有取平均。
这里另一个需要注意的问题是，SparkSession不能直接计算创建RDD，而需要SparkContext对象，所以首先利用SparkSession的sparkContext属性得到SparkContext对象。
得到两个RDD之后，我们就可以利用如下的代码来计算相似度，并按照降序进行排序：
def cosine(t):
x = t[0][1]
y = t[1]
convxy = 0
sumx=0
sumy=0
for i in range(len(x)):
convxy += x[i] * y[i]
sumx += x[i] ** 2
sumy += y[i] ** 2
if (math.sqrt(sumx) * math.sqrt(sumy)) != 0:
value = convxy / (math.sqrt(sumx) * math.sqrt(sumy))
else:
value = 0
return (t[0][0],value)
data_rdd = vector_rdd.cartesian(data)
output = sorted(data_rdd.map(cosine).collect(),key=lambda x:x[1])
我们打印输出最为匹配的句子：
print (df.filter(df['id']==output[0]).answer)
哇，可以看到效果还是不错的！如果我们输入一句“我想问一个问题”，那么系统给出的答案是“行啊，你问吧！”，匹配的非常不错。
4、完整代码
#-*-coding:utf-8-*-#
from pyspark.sql import SparkSession
from pyspark import SparkContext
from pyspark.sql import SQLContext
from pyspark.sql.types import *
import pymongo
import json
import pymysql
import jieba
import gensim
import numpy as np
import pandas as pd
import math
model = gensim.models.Word2Vec.load('wiki.zh.text.model')
def list_to_vector(q_list):
q_vec = np.zeros((400),dtype= np.float32)
for word in q_list:
if word in model:
q_vec += model[word]
return (list(q_vec))
def cosine(t):
x = t[0][1]
y = t[1]
convxy = 0
sumx=0
sumy=0
for i in range(len(x)):
convxy += x[i] * y[i]
sumx += x[i] ** 2
sumy += y[i] ** 2
if (math.sqrt(sumx) * math.sqrt(sumy)) != 0:
value = convxy / (math.sqrt(sumx) * math.sqrt(sumy))
else:
value = 0
return (t[0][0],value)
#
#
sc = SparkSession.builder.appName("Python Spark SQL basic example").config('spark.some.config.option','some-value').getOrCreate()
ctx = SQLContext(sc)
spark = sc.sparkContext
df=ctx.read.format("jdbc").options(url="jdbc:mysql://localhost:3306/test",driver="com.mysql.jdbc.Driver",dbtable="(SELECT * FROM chat) tmp",user="root",password="0845").load()
print(df.printSchema())
#print (df.select('question').show())
df.createOrReplaceTempView('chats')
# vectors= df.select(df['id'],df['vector'])
# print (type(vectors))
# print (vectors.show())
vectors = sc.sql('Select id,vector from chats')
#print (type(vectors))
vector_rdd = vectors.rdd.map(lambda p:(p.id,[float(x) for x in p.vector.split(' ')]))
data = spark.parallelize([list_to_vector(list(jieba.cut('我想问一个问题')))])
data_rdd = vector_rdd.cartesian(data)
output = sorted(data_rdd.map(cosine).collect(),key=lambda x:x[1])
print (output[0])
print (df.filter(df['id']==output[0]).answer)
如果你喜欢我写的文章，可以帮忙给小编点个赞或者加个关注，我一定会互粉的！
如果大家对spark感兴趣，欢迎跟小编进行交流，小编微信为sxw2251，加我要写好备注哟！
