python - 使用 Apache Spark 将键值对缩减为键列表对

Question

我正在编写一个 Spark 应用程序，并希望将一组键值对 (K, V1), (K, V2), ..., (K, Vn) 组合成一个键-多值对(K, [V1, V2, ..., Vn])。我觉得我应该能够使用具有某种 flavor 的 reduceByKey 函数来做到这一点:

My_KMV = My_KV.reduce(lambda a, b: a.append([b]))

发生这种情况时我得到的错误是:

'NoneType' object has no attribue 'append'.

我的键是整数，值 V1,...,Vn 是元组。我的目标是使用键和值列表(元组)创建一对。

Answer 1

Map 和 ReduceByKey

reduce的输入类型和输出类型必须相同，所以如果你想聚合一个列表，你必须map输入到列表。然后将这些列表合并为一个列表。

组合列表

您需要一种将列表合并为一个列表的方法。 Python 提供了一些 methods to combine lists .

append 修改第一个列表，并且总是返回 None。

x = [1, 2, 3]
x.append([4, 5])
# x is [1, 2, 3, [4, 5]]

extend 做同样的事情，但解开列表:

x = [1, 2, 3]
x.extend([4, 5])
# x is [1, 2, 3, 4, 5]

这两种方法都返回 None，但您需要一个返回组合列表的方法，因此只需 use the plus sign .

x = [1, 2, 3] + [4, 5]
# x is [1, 2, 3, 4, 5]

Spark

file = spark.textFile("hdfs://...")
counts = file.flatMap(lambda line: line.split(" ")) \
         .map(lambda actor: (actor.split(",")[0], actor)) \ 

         # transform each value into a list
         .map(lambda nameTuple: (nameTuple[0], [ nameTuple[1] ])) \

         # combine lists: ([1,2,3] + [4,5]) becomes [1,2,3,4,5]
         .reduceByKey(lambda a, b: a + b)

---

组合键

也可以用combineByKey来解决这个问题，它在内部用于实现reduceByKey，但它更复杂，"using one of the specialized per-key combiners in Spark can be much faster" .对于上面的解决方案，您的用例已经足够简单了。

GroupByKey

也可以使用 groupByKey, but it reduces parallelization 来解决这个问题因此对于大数据集可能会慢得多。