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?
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))
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)))