我有一个包含多种不同类型json的流，每种类型都与用户事件相关，拆分和聚合的最有效方式是什么

我有一个包含多种不同类型json消息的流。 总共有65种json事件类型，都具有不同的模式。 它们都共用一个用户id

{'id': 123, 'event': 'clicked', 'target': 'my_button'}
{'id': 123, 'event': 'viewed', 'website': 'http://xyz1...'}
{'id': 123, 'event': 'viewed', 'website': 'http://xyz2...'}
{'id': 123, 'event': 'login', 'username': 'Bob'}
{'id': 456, 'event': 'viewed', 'website': 'http://xyz3...'}
{'id': 456, 'event': 'login', 'username': 'Susy'}

我想处理所有事件类型，每个事件类型都有自定义字段，然后按用户在所有筛选器类型中聚合所有事件

{'id': 123, 'page_view_cnt': 100, 'user': 'Bob', 'click_cnt': 20}
{'id': 456, 'page_view_cnt': 14, 'user': 'Susy'}

有人知道一种有效的方法吗。以下是当前的思维过程

• 从一连串的线开始
• 使用GSON解析json，而不是使用内置的json解析器，后者可能会尝试推断类型
• 根据每种类型创建65个筛选器语句。json将具有event=xyz，我可以对其进行区分
• 将每个筛选器上的自定义属性聚合到用户id->properties的映射中
• 合并所有过滤器中的所有贴图

---

这听起来合理吗？或者有更好的方法吗？

下面是我使用RDDAPI和Jackson提出的方法。我选择了低级Spark API，因为它是无模式的，并且不确定结构化API如何适合变量输入事件类型。如果提到的Gson支持多态反序列化，那么它可以用来代替Jackson，我只是选择Jackson，因为我更熟悉它

问题可分为以下几个步骤：

按事件类型将输入反序列化到对象中

按id和类型减少。对于不同的类型，reduce需要有不同的行为，例如，视图被简化为一个总和，而用户名需要以不同的方式处理。在本例中，我们假设用户名在

id

中是唯一的，然后选择第一个

按

id

收集减少的项目

步骤2最需要注意，因为Spark API中没有此类功能，并且需要进行某种运行时检查，以确定反序列化事件是否属于不同的类。为了克服这个问题，让我们介绍一个通用特性

可还原的
，它可以封装不同的类型：

trait Reducible[T] {
    def reduce(that: Reducible[_]): this.type

    def value: T
}

// simply reduces to sum
case class Sum(var value: Int) extends Reducible[Int] {
    override def reduce(that: Reducible[_]): Sum.this.type = that match {
        case Sum(thatValue) =>
            value += thatValue
            this
    }
}

// for picking the first element, i.e. username
case class First(value: String) extends Reducible[String] {
    override def reduce(that: Reducible[_]): First.this.type = this
}

运行时检查是在这些类中处理的，例如，如果右侧对象不是同一类型的对象，
Sum
将失败

接下来，让我们定义事件的模型，并告诉Jackson如何处理多态性：

@JsonTypeInfo(use=JsonTypeInfo.Id.NAME, include=JsonTypeInfo.As.PROPERTY, property="event", visible=true)
sealed trait Event[T] {
    val id: Int
    val event: String

    def value: Reducible[T]
}

abstract class CountingEvent extends Event[Int] {
    override def value: Reducible[Int] = Sum(1)
}

@JsonTypeName("clicked") case class Click(id: Int, event: String, target: String) extends CountingEvent
@JsonTypeName("viewed") case class View(id: Int, event: String, website: String) extends CountingEvent
@JsonTypeName("login") case class Login(id: Int, event: String, username: String) extends Event[String] {
    override def value: Reducible[String] = First(username)
}

object EventMapper {
    private val mapper = new ObjectMapper().registerModule(DefaultScalaModule)
    // the list of classes could be auto-generated, see
    // https://stackoverflow.com/questions/34534002/getting-subclasses-of-a-sealed-trait
    mapper.registerSubtypes(classOf[Click], classOf[View], classOf[Login])

    def apply(v1: String): Event[_] = mapper.readValue(v1, classOf[Event[_]])
}

所有事件都应有
id
和
event
字段。后者用于确定反序列化到哪个类，Jackson需要事先知道所有类。Trait
Event
被声明为密封的Trait，因此所有实现类都可以在编译时确定。我省略了这个反射步骤，只是对类列表进行了硬编码，这里有一个很好的答案，可以自动完成

现在我们准备编写应用程序逻辑。为了简单起见，
sc.parallelize
用于加载示例数据。也可以使用火花流

val in = List(
    "{\"id\": 123, \"event\": \"clicked\", \"target\": \"my_button\"}",
    "{\"id\": 123, \"event\": \"viewed\", \"website\": \"http://xyz1...\"}",
    "{\"id\": 123, \"event\": \"viewed\", \"website\": \"http://xyz1...\"}",
    "{\"id\": 123, \"event\": \"login\", \"username\": \"Bob\"}",
    "{\"id\": 456, \"event\": \"login\", \"username\": \"Sue\"}",
    "{\"id\": 456, \"event\": \"viewed\", \"website\": \"http://xyz1...\"}"
)

// partition (id, event) pairs only by id to minimize shuffle
// when we later group by id
val partitioner = new HashPartitioner(10) {

    override def getPartition(key: Any): Int = key match {
        case (id: Int, _) => super.getPartition(id)
        case id: Int => super.getPartition(id)
    }
}

sc.parallelize(in)
    .map(EventMapper.apply)
    .keyBy(e => (e.id, e.event))
    .mapValues(_.value)
    .reduceByKey(partitioner, (left, right) => left.reduce(right))
    .map {
        case ((id, key), wrapper) => (id, (key, wrapper.value))
    }
    .groupByKey(partitioner)
    .mapValues(_.toMap)
    .foreach(println)

输出：

(123,Map(clicked -> 1, viewed -> 2, login -> Bob))
(456,Map(login -> Sue, viewed -> 1))

你能澄清一下“我有一条流”和“处理这些流并合并回来”之间明显的矛盾吗？谢谢，我会更新这个问题。65种json类型在一个流中，但有许多不同类型的事件。我的意思是从同一个流中处理所有这些事件，然后将它们合并回单个用户id。是否可能有多个用户具有相同的事件id？在输出示例中，两个聚合都具有
id=123
和用户
Bob
和
Sue
。如果是这种情况，如何知道这是鲍勃还是苏
{'id'：123，'事件'：'已查看'，'网站'：'http://xyz2...“}
？