scala - Spark - 按键分组，然后按值计数

Question

我有使用 RDD Array[String]

中的 map 函数创建的非唯一键值对

val kvPairs = myRdd.map(line => (line(0), line(1)))

这会产生以下格式的数据:

1, A
1, A
1, B
2, C

我想按它们的值对所有键进行分组，并提供这些值的计数，如下所示:

1, {(A, 2), (B, 1)}
2, {(C, 1)}

我尝试了很多不同的尝试，但我能得到的最接近的是这样的:

kvPairs.sortByKey().countByValue()

这给了

1, (A, 2)
1, (B, 1)
2, (C, 1)

还有，

kvPairs.groupByKey().sortByKey()

提供值(value)，但还不够:

1, {(A, A, B)}
2, {(C)}

我尝试将两者结合在一起:

kvPairs.countByValue().groupByKey().sortByKey()

但这会返回错误

error: value groupByKey is not a member of scala.collection.Map[(String, String),Long]

Answer 1

直接数对数，然后分组(如果必须的话):

kvPairs.map((_, 1L))
  .reduceByKey(_ + _)
  .map{ case ((k, v), cnt) => (k, (v, cnt)) }
  .groupByKey

如果你想 gropuByKey 在减少后你可能想使用自定义分区器，它只考虑键的第一个元素。您可以查看RDD split and do aggregation on new RDDs示例实现。