JavaRDD equivalent to GROUP BY

Question

我有一个CSV数据集，其中包含以下列（Accident_Id，日期，面积）和数百行。我想要实现的是按"区域"列分组到可能的唯一组中，并找到每个组的计数。

我知道如何使用SQLContext执行此操作，但我不确定如何使用JavaRDD及其操作（map，reduce等）实现

它

SparkConf conf = new SparkConf().setAppName("test").setMaster("local[2]");
JavaSparkContext sc = new JavaSparkContext(conf);
JavaRDD<String> data = sc.textFile(pathToCSV);
...
sqlContext.sql("SELECT COUNT(Area) FROM my_table GROUP BY Area").show();

Answer 1

您可以简单地创建一个对RDD并使用它来按其键计数。

以下仅假设具有逗号分隔记录的字符串RDD：

Map<String, Long> areaCounts = 
    data.mapToPair(s -> new scala.Tuple2<>(s.split(",")[2], 1L)).countByKey();

这将为您提供area -> count地图。

如果您希望手动实现归约逻辑，可以使用reduceByKey：

Map<String, Long> areaCounts = 
    data.mapToPair(s -> new scala.Tuple2<>(s.split(",")[2], 1L))
            .reduceByKey((l1, l2) -> l1 + l2).collectAsMap();