如何使用 Spark Intersection() by key 或 filter() 与两个 RDD?

Question

我想在 Spark 中按键或filter()使用intersection()。

但我真的不知道如何按键使用intersection()。

所以我尝试使用filter()，但它不起作用。

示例 - 这是两个 RDD：

data1 //RDD[(String, Int)] = Array(("a", 1), ("a", 2), ("b", 2), ("b", 3), ("c", 1))
data2 //RDD[(String, Int)] = Array(("a", 3), ("b", 5))
val data3 = data2.map{_._1}
data1.filter{_._1 == data3}.collect //Array[(String, Int] = Array()

我想根据data2拥有的键获得一个与data1具有相同键的(键，值)对。

Array(("a", 1), ("a", 2), ("b", 2), ("b", 3))是我想要的结果。

有没有一种方法可以使用按键或filter()intersection()来解决此问题？

Answer 1

对于您的问题，我认为cogroup()更适合。intersection()方法将同时考虑数据中的键和值，并将导致空rdd。

该函数cogroup()按键对两个rdd的值进行分组，并给出(key, vals1, vals2)，其中vals1和vals2分别包含每个键的data1和data2的值。请注意，如果某个键在两个数据集中都没有共享，则vals1或vals2中的一个将作为空Seq返回，因此我们首先必须过滤掉这些元组以到达两个rdd的交集。

接下来，我们将获取vals1- 其中包含来自data1的常用键的值- 并将其转换为格式(key, Array)。最后，我们使用flatMapValues()将结果解压缩为(key, value)格式。

val result = (data1.cogroup(data2)
.filter{case (k, (vals1, vals2)) => vals1.nonEmpty && vals2.nonEmpty }
.map{case (k, (vals1, vals2)) => (k, vals1.toArray)}
.flatMapValues(identity[Array[Int]]))
result.collect()
// Array[(String, Int)] = Array((a,1), (a,2), (b,2), (b,3))

Answer 2

这可以通过不同的方式实现

1.filter()中的broadcast变量 - 需要改进可扩展性

val data1 = sc.parallelize(Seq(("a", 1), ("a", 2), ("b", 2), ("b", 3), ("c", 1)))
val data2 = sc.parallelize(Seq(("a", 3), ("b", 5)))
// broadcast data2 key list to use in filter method, which runs in executor nodes
val bcast = sc.broadcast(data2.map(_._1).collect())
val result = data1.filter(r => bcast.value.contains(r._1))

println(result.collect().toList)
//Output
List((a,1), (a,2), (b,2), (b,3))

2.cogroup(类似于按键分组)

val data1 = sc.parallelize(Seq(("a", 1), ("a", 2), ("b", 2), ("b", 3), ("c", 1)))
val data2 = sc.parallelize(Seq(("a", 3), ("b", 5)))
val cogroupRdd: RDD[(String, (Iterable[Int], Iterable[Int]))] = data1.cogroup(data2)
/* List(
(a, (CompactBuffer(1, 2), CompactBuffer(3))),
(b, (CompactBuffer(2, 3), CompactBuffer(5))),
(c, (CompactBuffer(1), CompactBuffer()))
) */
//Now filter keys which have two non empty CompactBuffer. You can do that with 
//filter(row => row._2._1.nonEmpty && row._2._2.nonEmpty) also. 
val filterRdd = cogroupRdd.filter { case (k, (v1, v2)) => v1.nonEmpty && v2.nonEmpty } 
/* List(
(a, (CompactBuffer(1, 2), CompactBuffer(3))),
(b, (CompactBuffer(2, 3), CompactBuffer(5)))
) */
//As we care about first data only, lets pick first compact buffer only 
// by doing v1.map(val1 => (k, val1))
val result = filterRdd.flatMap { case (k, (v1, v2)) => v1.map(val1 => (k, val1)) }
//List((a, 1), (a, 2), (b, 2), (b, 3))

3. 使用内联接

val resultRdd = data1.join(data2).map(r => (r._1, r._2._1)).distinct()
//List((b,2), (b,3), (a,2), (a,1)) 

在这里data1.join(data2)保存具有公共键的对(内部连接)

//List((a,(1,3)), (a,(2,3)), (b,(2,5)), (b,(2,1)), (b,(3,5)), (b,(3,1)))