scala - 如何使用 Spark 计算累积和

Question

我有一个(String，Int)的rdd，它按键排序

val data = Array(("c1",6), ("c2",3),("c3",4))
val rdd = sc.parallelize(data).sortByKey

现在我想以零开始第一个键的值，并将后续键作为前面键的总和。

例如:c1 = 0 , c2 = c1 的值 , c3 = (c1 值 +c2 值) , c4 = (c1+..+c3 值)预期输出:

(c1,0), (c2,6), (c3,9)...

有可能实现这个目标吗？我用 map 尝试过，但总和未保留在 map 内。

var sum = 0 ;
val t = keycount.map{ x => { val temp = sum; sum = sum + x._2 ; (x._1,temp); }}

Answer 1

1. 计算每个分区的部分结果:

   val partials = rdd.mapPartitionsWithIndex((i, iter) => {
     val (keys, values) = iter.toSeq.unzip
     val sums  = values.scanLeft(0)(_ + _)
     Iterator((keys.zip(sums.tail), sums.last))
   })
   

2. 收集部分总和

   val partialSums = partials.values.collect
   

3. 计算分区的累积和并广播它:

   val sumMap = sc.broadcast(
     (0 until rdd.partitions.size)
       .zip(partialSums.scanLeft(0)(_ + _))
       .toMap
   )
   

4. 计算最终结果:

   val result = partials.keys.mapPartitionsWithIndex((i, iter) => {
     val offset = sumMap.value(i)
     if (iter.isEmpty) Iterator()
     else iter.next.map{case (k, v) => (k, v + offset)}.toIterator
   })