Java Spark 2.2.0 API:我应该选择使用Groupby与aggregate相结合的Dataset,还是使用ReduceBykey的RDD
大家好,首先,根据标题,有人可能会说这个问题已经得到了回答,但我的观点是比较ReduceBykey、GroupBykey性能、特定于Dataset和RDDAPI。我在许多帖子中看到,ReduceBykey方法的性能比GroupByKey更有效,当然我同意这一点。然而,我有点困惑,如果我们使用数据集或RDD,我无法理解这些方法的行为。每种情况下应该使用哪一种 我将尝试更具体,因此我将提供我的问题与我的解决方案,以及与工作代码,我期待在您最早的方便,建议我在这方面的改进Java Spark 2.2.0 API:我应该选择使用Groupby与aggregate相结合的Dataset,还是使用ReduceBykey的RDD,java,performance,apache-spark,dataset,apache-spark-sql,Java,Performance,Apache Spark,Dataset,Apache Spark Sql,大家好,首先,根据标题,有人可能会说这个问题已经得到了回答,但我的观点是比较ReduceBykey、GroupBykey性能、特定于Dataset和RDDAPI。我在许多帖子中看到,ReduceBykey方法的性能比GroupByKey更有效,当然我同意这一点。然而,我有点困惑,如果我们使用数据集或RDD,我无法理解这些方法的行为。每种情况下应该使用哪一种 我将尝试更具体,因此我将提供我的问题与我的解决方案,以及与工作代码,我期待在您最早的方便,建议我在这方面的改进 +---+---------
+---+------------------+-----+
|id |Text1 |Text2|
+---+------------------+-----+
|1 |one,two,three |one |
|2 |four,one,five |six |
|3 |seven,nine,one,two|eight|
|4 |two,three,five |five |
|5 |six,five,one |seven|
+---+------------------+-----+
这里的要点是检查第三列是否包含在第二列的每一行上,然后收集它们的所有ID。例如,第三列的单词“one”出现在第二列的句子中,ID为1、5、2、3
+-----+------------+
|Text2|Set |
+-----+------------+
|seven|[3] |
|one |[1, 5, 2, 3]|
|six |[5] |
|five |[5, 2, 4] |
+-----+------------+
这是我的工作代码
List<Row> data = Arrays.asList(
RowFactory.create(1, "one,two,three", "one"),
RowFactory.create(2, "four,one,five", "six"),
RowFactory.create(3, "seven,nine,one,two", "eight"),
RowFactory.create(4, "two,three,five", "five"),
RowFactory.create(5, "six,five,one", "seven")
);
StructType schema = new StructType(new StructField[]{
new StructField("id", DataTypes.IntegerType, false, Metadata.empty()),
new StructField("Text1", DataTypes.StringType, false, Metadata.empty()),
new StructField("Text2", DataTypes.StringType, false, Metadata.empty())
});
Dataset<Row> df = spark.createDataFrame(data, schema);
df.show(false);
Dataset<Row> df1 = df.select("id", "Text1")
.crossJoin(df.select("Text2"))
.filter(col("Text1").contains(col("Text2")))
.orderBy(col("Text2"));
df1.show(false);
Dataset<Row> df2 = df1
.groupBy("Text2")
.agg(collect_set(col("id")).as("Set"));
df2.show(false);
List data=Arrays.asList(
创建(1,“一,二,三”,“一”),
创建(2,“四,一,五”,“六”),
创建(3,“七,九,一,二”,“八”),
创建(4,“二,三,五”,“五”),
创建(5,“六,五,一”,“七”)
);
StructType架构=新StructType(新StructField[]{
新建StructField(“id”,DataTypes.IntegerType,false,Metadata.empty()),
新建StructField(“Text1”,DataTypes.StringType,false,Metadata.empty()),
新建StructField(“Text2”,DataTypes.StringType,false,Metadata.empty())
});
数据集df=spark.createDataFrame(数据,模式);
df.show(假);
数据集df1=df.select(“id”,“Text1”)
.crossJoin(df.select(“Text2”))
.filter(列(“Text1”)。包含(列(“Text2”))
.orderBy(col(“Text2”);
df1.显示(假);
数据集df2=df1
.groupBy(“Text2”)
.agg(col_set(col(“id”)).as(“set”);
df2.显示(假);
我的问题分为三个部分:
- 为了提高性能,我是否需要在RDD中转换数据集并使用ReduceBykey而不是Dataset groupby
- 我应该使用哪一个?为什么?数据集或RDD
- 如果我的方法中存在其他更有效的解决方案,我将不胜感激
- TL;DR两者都不好,但如果您使用的是
Dataset
请继续使用Dataset
Dataset.groupBy
如果与适当的函数一起使用,其行为类似于reduceByKey
。不幸的是,collect\u set
的行为非常类似于groupByKey
,前提是重复的数量很少。用reduceByKey
重写它
如果我的方法中存在其他更有效的解决方案,我将不胜感激
您所能做的最好的事情就是删除交叉连接
:
val df = Seq((1, "one,two,three", "one"),
(2, "four,one,five", "six"),
(3, "seven,nine,one,two", "eight"),
(4, "two,three,five", "five"),
(5, "six,five,one", "seven")).toDF("id", "text1", "text2")
df.select(col("id"), explode(split(col("Text1"), ",")).alias("w"))
.join(df.select(col("Text2").alias("w")), Seq("w"))
.groupBy("w")
.agg(collect_set(col("id")).as("Set")).show
+-----+------------+
| w| Set|
+-----+------------+
|seven| [3]|
| one|[1, 5, 2, 3]|
| six| [5]|
| five| [5, 2, 4]|
+-----+------------+