如何使用RDD分组和聚合多个字段?

Question

我是Apache Spark和Scala的新手，目前正在学习大数据的框架和编程语言。我有一个示例文件，我正在尝试找出给定字段的另一个字段的总数及其计数和另一个字段的值列表。我自己尝试过，似乎我没有在火花rdd(作为开始(中以更好的方法写作。

请在以下示例数据(Customerid: Int, Orderid: Int, Amount: Float)找到：

44,8602,37.19
35,5368,65.89
2,3391,40.64
47,6694,14.98
29,680,13.08
91,8900,24.59
70,3959,68.68
85,1733,28.53
53,9900,83.55
14,1505,4.32
51,3378,19.80
42,6926,57.77
2,4424,55.77
79,9291,33.17
50,3901,23.57
20,6633,6.49
15,6148,65.53
44,8331,99.19
5,3505,64.18
48,5539,32.42

我当前的代码：

((sc.textFile("file://../customer-orders.csv").map(x => x.split(",")).map(x => (x(0).toInt,x(1).toInt)).map{case(x,y) => (x, List(y))}.reduceByKey(_ ++ _).sortBy(_._1,true)).
fullOuterJoin(sc.textFile("file://../customer-orders.csv").map(x =>x.split(",")).map(x => (x(0).toInt,x(2).toFloat)).reduceByKey((x,y) => (x + y)).sortBy(_._1,true))).
fullOuterJoin(sc.textFile("file://../customer-orders.csv").map(x =>x.split(",")).map(x => (x(0).toInt)).map(x => (x,1)).reduceByKey((x,y) => (x + y)).sortBy(_._1,true)).sortBy(_._1,true).take(50).foreach(println)

得到这样的结果：

(49,(Some((Some(List(8558, 6986, 686....)),Some(4394.5996))),Some(96)))

预期结果如下：

customerid, (orderids,..,..,....), totalamount, number of orderids

有没有更好的方法？我刚刚尝试使用以下代码combineByKey，但里面的println没有打印。

scala> val reduced = inputrdd.combineByKey(
| (mark) => {
| println(s"Create combiner -> ${mark}")
| (mark, 1)
| },
| (acc: (Int, Int), v) => {
| println(s"""Merge value : (${acc._1} + ${v}, ${acc._2} + 1)""")
| (acc._1 + v, acc._2 + 1)
| },
| (acc1: (Int, Int), acc2: (Int, Int)) => {
| println(s"""Merge Combiner : (${acc1._1} + ${acc2._1}, ${acc1._2} + ${acc2._2})""")
| (acc1._1 + acc2._1, acc1._2 + acc2._2)
| }
| )
reduced: org.apache.spark.rdd.RDD[(String, (Int, Int))] = ShuffledRDD[27] at combineByKey at <console>:29
scala> reduced.collect()
res5: Array[(String, (Int, Int))] = Array((maths,(110,2)), (physics,(214,3)), (english,(65,1)))

我正在使用Spark版本2.2.0，Scala 2.11.8和Java 1.8内部版本101

Answer 1

使用较新的数据帧API 可以更轻松地解决此问题。首先读取 csv 文件并添加列名称：

val df = spark.read.csv("file://../customer-orders.csv").toDF("Customerid", "Orderid", "Amount")

然后使用groupBy和agg进行聚合(这里你想要collect_list、sum和count(：

val df2 = df.groupBy("Customerid").agg(
collect_list($"Orderid") as "Orderids", 
sum($"Amount") as "TotalAmount",
count($"Orderid") as "NumberOfOrderIds"
)

使用提供的输入示例生成的数据帧：

+----------+------------+-----------+----------------+
|Customerid|    Orderids|TotalAmount|NumberOfOrderIds|
+----------+------------+-----------+----------------+
|        51|      [3378]|       19.8|               1|
|        15|      [6148]|      65.53|               1|
|        29|       [680]|      13.08|               1|
|        42|      [6926]|      57.77|               1|
|        85|      [1733]|      28.53|               1|
|        35|      [5368]|      65.89|               1|
|        47|      [6694]|      14.98|               1|
|         5|      [3505]|      64.18|               1|
|        70|      [3959]|      68.68|               1|
|        44|[8602, 8331]|     136.38|               2|
|        53|      [9900]|      83.55|               1|
|        48|      [5539]|      32.42|               1|
|        79|      [9291]|      33.17|               1|
|        20|      [6633]|       6.49|               1|
|        14|      [1505]|       4.32|               1|
|        91|      [8900]|      24.59|               1|
|         2|[3391, 4424]|      96.41|               2|
|        50|      [3901]|      23.57|               1|
+----------+------------+-----------+----------------+

如果要在这些转换后将数据作为RDD使用，则可以在之后对其进行转换：

val rdd = df2.as[(Int, Seq[Int], Float, Int)].rdd

---

当然，也可以直接使用RDD来解决。使用aggregateByKey：

val rdd = spark.sparkContext
.textFile("test.csv")
.map(x => x.split(","))
.map(x => (x(0).toInt, (x(1).toInt, x(2).toFloat)))
val res = rdd.aggregateByKey((Seq[Int](), 0.0, 0))(
(acc, xs) => (acc._1 ++ Seq(xs._1), acc._2 + xs._2, acc._3 + 1), 
(acc1, acc2) => (acc1._1 ++ acc2._1, acc1._2 + acc2._2, acc1._3 + acc2._3))

这更难阅读，但会给出与上述数据帧方法相同的结果。