Apache spark 如何在spark RDD中不使用combineByKey和aggregateByKey获得指定的输出

以下是我的数据：

val keysWithValuesList = Array("foo=A", "foo=A", "foo=A", "foo=A", "foo=B", bar=C","bar=D", "bar=D")  

现在，我想要以下类型的输出，但不使用

combineByKey

和

aggregateebykey

：

1) Array[(String, Int)] = Array((foo,5), (bar,3))  
2) Array((foo,Set(B, A)),
(bar,Set(C, D)))  

以下是我的尝试：

scala> val keysWithValuesList = Array("foo=A", "foo=A", "foo=A", "foo=A", "foo=B", "bar=C",
     | "bar=D", "bar=D")  
scala> val sample=keysWithValuesList.map(_.split("=")).map(p=>(p(0),(p(1))))
sample: Array[(String, String)] = Array((foo,A), (foo,A), (foo,A), (foo,A), (foo,B), (bar,C), (bar,D), (bar,D))  

现在，当我键入变量名后跟tab以查看映射RDD的适用方法时，我可以看到以下选项，其中没有一个可以满足我的要求：

scala> sample.
apply          asInstanceOf   clone          isInstanceOf   length         toString       update         

---

那么我如何才能做到这一点呢？

这里有一个标准方法

注意事项：您需要使用RDD。我认为这是瓶颈

给你：

val keysWithValuesList = Array("foo=A", "foo=A", "foo=A", "foo=A", "foo=B", "bar=C","bar=D", "bar=D") 

val sample=keysWithValuesList.map(_.split("=")).map(p=>(p(0),(p(1))))

val sample2 = sc.parallelize(sample.map(x => (x._1, 1)))
val sample3 = sample2.reduceByKey(_+_) 
sample3.collect()

val sample4 = sc.parallelize(sample.map(x => (x._1, x._2))).groupByKey()   
sample4.collect()

val sample5 = sample4.map(x => (x._1, x._2.toSet))
sample5.collect()

---

您似乎使用的是

数组

，而不是

RDD

。要解决Spark中

RDD

的问题，需要执行某种groupby+聚合，例如使用

aggregateByKey

。我不确定是否遵循此处。我不想使用aggregateByKey或combineByKey