Scala 如何使用带两个RDD的键的spark intersection()或filter()?
我想按键使用Scala 如何使用带两个RDD的键的spark intersection()或filter()?,scala,apache-spark,filter,rdd,intersection,Scala,Apache Spark,Filter,Rdd,Intersection,我想按键使用intersection(),或在spark中使用filter() 但我真的不知道如何按键使用intersection() 因此,我尝试使用filter(),但不起作用 示例-以下是两个RDD: data1 //RDD[(String, Int)] = Array(("a", 1), ("a", 2), ("b", 2), ("b", 3), ("c", 1)) data2 //RDD[(String, Int)] = Array(("a", 3), ("b", 5)) val d
intersection()
,或在spark中使用filter()
但我真的不知道如何按键使用intersection()
因此,我尝试使用filter()
,但不起作用
示例-以下是两个RDD:
data1 //RDD[(String, Int)] = Array(("a", 1), ("a", 2), ("b", 2), ("b", 3), ("c", 1))
data2 //RDD[(String, Int)] = Array(("a", 3), ("b", 5))
val data3 = data2.map{_._1}
data1.filter{_._1 == data3}.collect //Array[(String, Int] = Array()
我想根据data2
拥有的密钥,获得一个与data1
具有相同密钥的(密钥、值)对
数组((“a”,1),(“a”,2),(“b”,2),(“b”,3))
是我想要的结果
是否有一种方法可以通过使用键或过滤器解决此问题
这可以通过不同的方式实现
1. <代码>广播过滤器()中的变量需要改进可伸缩性
2. <代码>协同组(类似于按键分组)
3.使用内部联接
这里data1.join(data2)
保存具有公共键的对(内部join)
对于您的问题,我认为
cogroup()
更适合。<代码>交叉段()/代码>方法将考虑数据中的键和值,并将导致空<代码> RDD < /C> > < /P>
函数cogroup()
按键对rdd
的值进行分组,并为我们提供(键,vals1,vals2)
,其中vals1
和vals2
分别包含每个键的data1
和data2
的值。请注意,如果两个数据集中没有共享某个键,则vals1
或vals2
中的一个将作为空Seq
返回,因此我们首先必须过滤掉这些元组,以到达两个rdd
的交点
接下来,我们将获取vals1
——其中包含公共键的data1
中的值——并将其转换为格式(键,数组)
。最后,我们使用flatMapValues()
将结果解压为(键,值)
格式。
我不理解
cogroup
那么,如果我想在cogroup
中使用函数操作,比如val result=data1.filter(r=>bcast.value.contains(myFuncOper(r._1))
?
val data1 = sc.parallelize(Seq(("a", 1), ("a", 2), ("b", 2), ("b", 3), ("c", 1)))
val data2 = sc.parallelize(Seq(("a", 3), ("b", 5)))
// broadcast data2 key list to use in filter method, which runs in executor nodes
val bcast = sc.broadcast(data2.map(_._1).collect())
val result = data1.filter(r => bcast.value.contains(r._1))
println(result.collect().toList)
//Output
List((a,1), (a,2), (b,2), (b,3))
val data1 = sc.parallelize(Seq(("a", 1), ("a", 2), ("b", 2), ("b", 3), ("c", 1)))
val data2 = sc.parallelize(Seq(("a", 3), ("b", 5)))
val cogroupRdd: RDD[(String, (Iterable[Int], Iterable[Int]))] = data1.cogroup(data2)
/* List(
(a, (CompactBuffer(1, 2), CompactBuffer(3))),
(b, (CompactBuffer(2, 3), CompactBuffer(5))),
(c, (CompactBuffer(1), CompactBuffer()))
) */
//Now filter keys which have two non empty CompactBuffer. You can do that with
//filter(row => row._2._1.nonEmpty && row._2._2.nonEmpty) also.
val filterRdd = cogroupRdd.filter { case (k, (v1, v2)) => v1.nonEmpty && v2.nonEmpty }
/* List(
(a, (CompactBuffer(1, 2), CompactBuffer(3))),
(b, (CompactBuffer(2, 3), CompactBuffer(5)))
) */
//As we care about first data only, lets pick first compact buffer only
// by doing v1.map(val1 => (k, val1))
val result = filterRdd.flatMap { case (k, (v1, v2)) => v1.map(val1 => (k, val1)) }
//List((a, 1), (a, 2), (b, 2), (b, 3))
val resultRdd = data1.join(data2).map(r => (r._1, r._2._1)).distinct()
//List((b,2), (b,3), (a,2), (a,1))
//List((a,(1,3)), (a,(2,3)), (b,(2,5)), (b,(2,1)), (b,(3,5)), (b,(3,1)))
val result = (data1.cogroup(data2)
.filter{case (k, (vals1, vals2)) => vals1.nonEmpty && vals2.nonEmpty }
.map{case (k, (vals1, vals2)) => (k, vals1.toArray)}
.flatMapValues(identity[Array[Int]]))
result.collect()
// Array[(String, Int)] = Array((a,1), (a,2), (b,2), (b,3))