python - Pyspark:将 repartitionAndSortWithinPartitions 与多个排序条件一起使用

Question

假设我有以下 RDD:

rdd = sc.parallelize([('a', (5,1)), ('d', (8,2)), ('2', (6,3)), ('a', (8,2)), ('d', (9,6)), ('b', (3,4)),('c', (8,3))])

如何使用 repartitionAndSortWithinPartitions 并按 x[0] 和 x[1][0] 排序。使用以下我仅按键(x[0])排序:

Npartitions = sc.defaultParallelism
rdd2 = rdd.repartitionAndSortWithinPartitions(2, lambda x: hash(x) % Npartitions, 2)

一种方法如下，但我想应该有更简单的方法:

Npartitions = sc.defaultParallelism 
partitioned_data = rdd
  .partitionBy(2)
  .map(lambda x:(x[0],x[1][0],x[1][1]))
  .toDF(['letter','number2','number3'])
  .sortWithinPartitions(['letter','number2'],ascending=False)
  .map(lambda x:(x.letter,(x.number2,x.number3)))

>>> partitioned_data.glom().collect()

[[],
[(u'd', (9, 6)), (u'd', (8, 2))],
[(u'c', (8, 3)), (u'c', (6, 3))],
[(u'b', (3, 4))],
[(u'a', (8, 2)), (u'a', (5, 1))]

可以看出，我必须将其转换为 Dataframe 才能使用 sortWithinPartitions。还有别的办法吗？使用 repartitionAndSortWIthinPartitions？

(数据没有全局排序没关系，我只关心分区内的排序。)

Answer 1

这是可能的，但您必须在复合键中包含所有必需的信息:

from pyspark.rdd import portable_hash

n = 2

def partitioner(n):
    """Partition by the first item in the key tuple"""
    def partitioner_(x):
        return portable_hash(x[0]) % n
    return partitioner_


(rdd
  .keyBy(lambda kv: (kv[0], kv[1][0]))  # Create temporary composite key
  .repartitionAndSortWithinPartitions(
      numPartitions=n, partitionFunc=partitioner(n), ascending=False)
  .map(lambda x: x[1]))  # Drop key (note: there is no partitioner set anymore)

逐步解释:

• keyBy(lambda kv: (kv[0], kv[1][0]))创建一个替代键，它由原始键和值的第一个元素组成。换句话说，它转换:

  (0, (5,1))
  

  进入

  ((0, 5), (0, (5, 1)))
  

  在实践中，简单地将数据 reshape 为

  ((0, 5), 1)
  

• partitioner根据键的第一个元素的散列定义分区函数，因此:

  partitioner(7)((0, 5))
  ## 0
  
  partitioner(7)((0, 6))
  ## 0
  
  partitioner(7)((0, 99))
  ## 0
  
  partitioner(7)((3, 99))
  ## 3
  

  如您所见，它是一致的并且忽略了第二位。

• 我们使用默认 keyfunc函数是身份 ( lambda x: x ) 并依赖于 Python tuple 上定义的词典顺序:

  (0, 5) < (1, 5)
  ## True
  
  (0, 5) < (0, 4)
  ## False
  

如前所述，您可以改为 reshape 数据:

rdd.map(lambda kv: ((kv[0], kv[1][0]), kv[1][1]))

并删除最后的 map以提高性能。