String Scala/Spark高效部分字符串匹配

我正在用Scala用Spark编写一个小程序，遇到了一个问题。我有一个单字字符串列表/RDD和一个句子列表/RDD，其中可能包含单字列表中的单词，也可能不包含单字列表中的单词。i、 e

val singles = Array("this", "is")
val sentence = Array("this Date", "is there something", "where are something", "this is a string")

我想从单曲中选择包含一个或多个单词的句子，结果应该是：

output[(this, Array(this Date, this is a String)),(is, Array(is there something, this is a string))]

---

我考虑了两种方法，一种是通过拆分句子和使用.contains进行过滤。另一种方法是将句子拆分并格式化为RDD，并使用.join进行RDD交叉。我在看大约50个单词和500万个句子，哪种方法更快？还有其他解决办法吗？您能帮我编码吗？我的代码似乎没有结果（尽管它编译并运行时没有错误）

我刚刚尝试解决您的问题，最后得到了以下代码：

def check(s:String, l: Array[String]): Boolean = {
  var temp:Int = 0
  for (element <- l) {
    if (element.equals(s)) {temp = temp +1}
  }
  var result = false
  if (temp > 0) {result = true}
  result
}
val singles = sc.parallelize(Array("this", "is"))
val sentence = sc.parallelize(Array("this Date", "is there something", "where are something", "this is a string"))
val result = singles.cartesian(sentence)
                    .filter(x => check(x._1,x._2.split(" ")) == true )
                    .groupByKey()
                    .map(x => (x._1,x._2.mkString(", ") ))  // pay attention here(*)
result.foreach(println)

使用该映射行（使用mkString命令），我可以获得如下更可读的输出：

(is,CompactBuffer(is there something, this is a string))     
(this,CompactBuffer(this Date, this is a string))

(is,is there something, this is a string)
(this,this Date, this is a string)

希望能有所帮助

---

FF

您可以创建一组必需的键，在句子中查找键并按键分组

val singles = Array("this", "is")

val sentences = Array("this Date", 
                      "is there something", 
                      "where are something", 
                      "this is a string")

val rdd = sc.parallelize(sentences) // create RDD

val keys = singles.toSet            // words required as keys.

val result = rdd.flatMap{ sen => 
                    val words = sen.split(" ").toSet; 
                    val common = keys & words;       // intersect
                    common.map(x => (x, sen))        // map as key -> sen
                }
                .groupByKey.mapValues(_.toArray)     // group values for a key
                .collect                             // get rdd contents as array

// result:
// Array((this, Array(this Date, this is a string)),
//       (is,   Array(is there something, this is a string)))

---

500万句的笛卡尔公式将是一个艰难的曲奇，但好答案永远不会少。你可能是对的。。。但是你可以试试看它是怎么工作的。。。我承认这只是一个“快速”的答案，我可以找到一个改进的方法。事实上，这一点都不坏，考虑到它使用的是Spark RDD，它比我的版本稍慢，而我的版本只在Master上运行，但我认为对于更多的数据，你的要比我的好得多；此外，如果你仔细想想，笛卡尔可能是最有效的搜索方式。鉴于每个单词的平均句子数为10万句，分组可能不是一个真正的选择。（单词、句子）将是更好的结尾格式我应该如何运行子字符串匹配？想象一下，这里没有单词列表，而是短语列表：val singles=Array（“这本书”，“很棒”）在那里我无法写出这个句子！有什么建议吗？