Scala spark按键将多个rdd项分组

我有rdd项目，如：

(3922774869,10,1)
(3922774869,11,1)
(3922774869,12,2)
(3922774869,13,2)
(1779744180,10,1)
(1779744180,11,1)
(3922774869,14,3)
(3922774869,15,2)
(1779744180,16,1)
(3922774869,12,1)
(3922774869,13,1)
(1779744180,14,1)
(1779744180,15,1)
(1779744180,16,1)
(3922774869,14,2)
(3922774869,15,1)
(1779744180,16,1)
(1779744180,17,1)
(3922774869,16,4)
...

表示

（id，age，count）

，我想对这些行进行分组以生成一个数据集，其中每行表示每个id的年龄分布，如下所示（

（id，age）

是uniq）：

这是

（id，（年龄，计数），（年龄，计数）…）

---

有人能给我一个线索吗？

您可以先按两个字段进行缩减，然后使用groupBy：

rdd
  .map { case (id, age, count) => ((id, age), count) }.reduceByKey(_ + _)
  .map { case ((id, age), count) => (id, (age, count)) }.groupByKey()

它返回一个

RDD[（Long，Iterable[（Int，Int）]）]

，对于上面的输入，它将包含以下两个记录：

(1779744180,CompactBuffer((16,3), (15,1), (14,1), (11,1), (10,1), (17,1)))
(3922774869,CompactBuffer((11,1), (12,3), (16,4), (13,3), (15,3), (10,1), (14,5)))

---

正如Tzach Zohar所建议的，您可以首先重塑RDD以适应键/值RDD。如果您有一个非常大的数据集，我建议您不要使用

groupByKey

，以减少洗牌，尽管这看起来非常简单。 例如，基于已发布的解决方案：

import scala.collection.mutable

val rddById = rdd.map { case (id, age, count) => ((id, age), count) }.reduceByKey(_ + _)
val initialSet = mutable.HashSet.empty[(Int, Int)]
val addToSet = (s: mutable.HashSet[(Int, Int)], v: (Int, Int)) => s += v
val mergePartitionSets = (p1: mutable.HashSet[(Int, Int)], p2: mutable.HashSet[(Int, Int)]) => p1 ++= p2
val uniqueByKey = rddById.aggregateByKey(initialSet)(addToSet, mergePartitionSets)

这将导致

uniqueByKey: org.apache.spark.rdd.RDD[(AnyVal, scala.collection.mutable.HashSet[(Int, Int)])]

您可以将这些值打印为：

scala> uniqueByKey.foreach(println)
(1779744180,Set((15,1), (16,3)))
(1779744180,Set((14,1), (11,1), (10,1), (17,1)))
(3922774869,Set((12,3), (11,1), (10,1), (14,5), (16,4), (15,3), (13,3)))

洗牌可能是一个很大的瓶颈。拥有许多大的哈希集（根据您的数据集）也可能是一个问题。但是，与网络延迟（以及洗牌带来的所有问题）相比，您更有可能拥有大量的ram（例如64GB的ram？），这会导致在分布式计算机上更快地读取/写入

---

要了解更多信息，请查看此

从技术上讲，问题不在于数据集的大小，而在于最大密钥分组的大小（相对于工作节点）。

scala> uniqueByKey.foreach(println)
(1779744180,Set((15,1), (16,3)))
(1779744180,Set((14,1), (11,1), (10,1), (17,1)))
(3922774869,Set((12,3), (11,1), (10,1), (14,5), (16,4), (15,3), (13,3)))