scala - 如何从scala中的RDD中获取最早的时间戳日期

Question

我有一个类似于 ((String, String), TimeStamp) 的 RDD。我有大量记录，我想为每个键选择 具有最新 TimeStamp 值的记录。我已经尝试了以下代码，但仍在努力解决这个问题。有人可以帮我做这个吗？

我尝试的以下代码是错误的，并且不能正常工作

val context = sparkSession.read.format("jdbc")
  .option("driver", "com.mysql.jdbc.Driver")
  .option("url", url)
  .option("dbtable", "student_risk")
  .option("user", "user")
  .option("password", "password")
  .load()
context.cache();

val studentRDD = context.rdd.map(r => ((r.getString(r.fieldIndex("course_id")), r.getString(r.fieldIndex("student_id"))), r.getTimestamp(r.fieldIndex("risk_date_time"))))
val filteredRDD = studentRDD.collect().map(z => (z._1, z._2)).reduce((x, y) => (x._2.compareTo(y._2)))

Answer 1

直接在DataFrame上很容易做到(这里奇怪地命名为context):

val result = context
  .groupBy("course_id", "student_id")
  .agg(min("risk_date_time") as "risk_date_time")

然后您可以像以前一样将其转换为 RDD(如果需要) - 结果具有相同的架构。

如果你确实想在 RDD 上执行此操作，请使用 reduceByKey:

studentRDD.reduceByKey((t1, t2) => if (t1.before(t2)) t1 else t2)