PySpark groupByKey 返回 pyspark.resultiterable.ResultIterable

Question

我试图弄清楚为什么我的 groupByKey 返回以下内容：

[(0, <pyspark.resultiterable.ResultIterable object at 0x7fc659e0a210>), (1, <pyspark.resultiterable.ResultIterable object at 0x7fc659e0a4d0>), (2, <pyspark.resultiterable.ResultIterable object at 0x7fc659e0a390>), (3, <pyspark.resultiterable.ResultIterable object at 0x7fc659e0a290>), (4, <pyspark.resultiterable.ResultIterable object at 0x7fc659e0a450>), (5, <pyspark.resultiterable.ResultIterable object at 0x7fc659e0a350>), (6, <pyspark.resultiterable.ResultIterable object at 0x7fc659e0a1d0>), (7, <pyspark.resultiterable.ResultIterable object at 0x7fc659e0a490>), (8, <pyspark.resultiterable.ResultIterable object at 0x7fc659e0a050>), (9, <pyspark.resultiterable.ResultIterable object at 0x7fc659e0a650>)]

我有如下所示的 flatMapped 值：

[(0, u'D'), (0, u'D'), (0, u'D'), (0, u'D'), (0, u'D'), (0, u'D'), (0, u'D'), (0, u'D'), (0, u'D'), (0, u'D')]

我只是做一个简单的：

groupRDD = columnRDD.groupByKey()

Answer 1

例子：

r1 = sc.parallelize([('a',1),('b',2)])
r2 = sc.parallelize([('b',1),('d',2)])
r1.cogroup(r2).mapValues(lambda x:tuple(reduce(add,__builtin__.map(list,x))))

结果：

[('d', (2,)), ('b', (2, 1)), ('a', (1,))]

Answer 2

说你的代码是..

ex2 = ex1.groupByKey()

然后你跑..

ex2.take(5)

你会看到一个可迭代的。如果您要对这些数据做一些事情，这没关系，您可以继续前进。但是，如果您只想在继续之前先打印/查看值，那么这里有点小技巧......

ex2.toDF().show(20, False)

或者只是

ex2.toDF().show()

这将显示数据的值。你不应该使用collect()，因为这会将数据返回给驱动程序，如果你正在处理大量数据，那会让你崩溃。现在，如果 ex2 = ex1.groupByKey() 是您的最后一步，并且您希望返回这些结果，那么可以使用 collect()，但请确保您知道返回的数据量很小。

print(ex2.collect())

这是另一个关于在 RDD 上使用 collect() 的好帖子

View RDD contents in Python Spark?

Answer 3

除了上述答案之外，如果您想要唯一项目的排序列表，请使用以下内容：

不同的排序值列表

example.groupByKey().mapValues(set).mapValues(sorted)

只是排序值列表

example.groupByKey().mapValues(sorted)

上述替代方案

# List of distinct sorted items
example.groupByKey().map(lambda x: (x[0], sorted(set(x[1]))))

# just sorted list of items
example.groupByKey().map(lambda x: (x[0], sorted(x[1])))

Answer 4

你也可以使用

example.groupByKey().mapValues(list)

Answer 5

我建议您使用 cogroup()，而不是使用 groupByKey()。你可以参考下面的例子。

[(x, tuple(map(list, y))) for x, y in sorted(list(x.cogroup(y).collect()))]

例子：

>>> x = sc.parallelize([("foo", 1), ("bar", 4)])
>>> y = sc.parallelize([("foo", -1)])
>>> z = [(x, tuple(map(list, y))) for x, y in sorted(list(x.cogroup(y).collect()))]
>>> print(z)

你应该得到想要的输出...

Answer 6

你得到的是一个允许你迭代结果的对象。您可以通过在值上调用 list() 将 groupByKey 的结果转换为列表，例如

example = sc.parallelize([(0, u'D'), (0, u'D'), (1, u'E'), (2, u'F')])

example.groupByKey().collect()
# Gives [(0, <pyspark.resultiterable.ResultIterable object ......]

example.groupByKey().map(lambda x : (x[0], list(x[1]))).collect()
# Gives [(0, [u'D', u'D']), (1, [u'E']), (2, [u'F'])]