python - 如何确定对象是否是 PySpark 中的有效键值对

Question

1. 如果我有一个 rdd，我如何理解数据在 key:value 中格式？有没有办法找到相同的 - 像type(object) 告诉我一个对象的类型。我试过 print
type(rdd.take(1)) , 但它只是说 <type 'list'> .
2. 假设我有一个类似 (x,1),(x,2),(y,1),(y,3) 的数据我用 groupByKey得到了(x,(1,2)),(y,(1,3)) .有没有办法定义 (1,2)和 (1,3)作为值，其中 x 和 y 是键？还是键必须是单个值？我注意到如果我使用 reduceByKey和 sum获取数据的函数((x,3),(y,4))然后将此数据定义为键值对变得容易得多

Answer 1

Python 是一种动态类型语言，PySpark 不对键值对使用任何特殊类型。一个对象被认为是 PairRDD 操作的有效数据的唯一要求是它可以按如下方式解包:

k, v = kv

由于语义(固定大小的不可变对象(immutable对象))和与 Scala Product 类的相似性，通常您会使用两个元素的 tuple。但这只是一个约定，没有什么能阻止你这样做:

key_value.py

class KeyValue(object):
    def __init__(self, k, v):
        self.k = k
        self.v = v
    def __iter__(self):
       for x in [self.k, self.v]:
           yield x

from key_value import KeyValue

rdd = sc.parallelize(
    [KeyValue("foo", 1), KeyValue("foo", 2), KeyValue("bar", 0)]) 

rdd.reduceByKey(add).collect()
## [('bar', 0), ('foo', 3)]

并使任意类的行为类似于键值对。因此，如果某些东西可以正确地解包为一对对象，那么它就是一个有效的键值。实现 __len__ 和 __getitem__ 魔术方法也应该有效。可能最优雅的处理方式是使用 namedtuples。

此外，type(rdd.take(1)) 返回一个长度为 n 的 list，因此它的类型将始终相同。