任何人都可以在 Spark 中实现 CombineByKey() 而不是 GroupByKey() 来对元素进行分组吗？

Question

我正在尝试对我创建的 RDD 的元素进行分组。一种简单但昂贵的方法是使用GroupByKey()。但最近我了解到CombineByKey() 可以更有效地完成这项工作。我的RDD很简单。它看起来像这样：

(1,5)
(1,8)
(1,40)
(2,9)
(2,20)
(2,6)

val grouped_elements=first_RDD.groupByKey()..mapValues(x => x.toList)

结果是：

(1,List(5,8,40))
(2,List(9,20,6))

我想根据第一个元素（键）对它们进行分组。

有人可以帮我用CombineByKey() 功能吗？我真的被CombineByKey()搞糊涂了

Answer 1

首先看一下 API 参考 docs

combineByKey[C](createCombiner: (V) ⇒ C, mergeValue: (C, V) ⇒ C, mergeCombiners: (C, C) ⇒ C): RDD[(K, C)]

所以它接受我在下面定义的三个函数

scala> val createCombiner = (v:Int) => List(v)
createCombiner: Int => List[Int] = <function1>

scala> val mergeValue = (a:List[Int], b:Int) => a.::(b)
mergeValue: (List[Int], Int) => List[Int] = <function2>

scala> val mergeCombiners = (a:List[Int],b:List[Int]) => a.++(b)
mergeCombiners: (List[Int], List[Int]) => List[Int] = <function2>

一旦你定义了这些，你就可以在你的 combineByKey 调用中使用它，如下所示

scala> val list = List((1,5),(1,8),(1,40),(2,9),(2,20),(2,6))
list: List[(Int, Int)] = List((1,5), (1,8), (1,40), (2,9), (2,20), (2,6))

scala> val temp = sc.parallelize(list)
temp: org.apache.spark.rdd.RDD[(Int, Int)] = ParallelCollectionRDD[41] at parallelize at <console>:30

scala> temp.combineByKey(createCombiner,mergeValue, mergeCombiners).collect
res27: Array[(Int, List[Int])] = Array((1,List(8, 40, 5)), (2,List(20, 9, 6)))

请注意，我在 Spark Shell 中对此进行了尝试，因此您可以在执行的命令下方看到输出。它们将帮助您加深理解。