apache-spark - groupByKey 与 hashPartitioner 和 mapPartitions？

Question

所以，我有如下数据，

[ (1, data1), (1, data2), (2, data3), (1, data4), (2, data5) ]

我想将其转换为以下内容，以进行进一步处理。

[ (1, [data1, data2, data4]), (2, [data3, data5]) ]

一种方法是使用 groupByKey .另一种方法是使用 hashPartitioner 根据键对 RDD 进行分区。 ，然后使用 mapPartitions 处理每个键的值.哪种方法会更有效？

Answer 1

我不认为你可以使用 reduceByKey直接按照评论中的建议，但如果您映射 (Int, Object)配对到 (Int, List(Object))那么你就可以使用它了。我希望以下方法是最有效的方法之一，但真正实用的测试是了解哪种方法最适合您的特定用例的最佳方法。

object main extends App {

  import org.apache.spark.{SparkContext, SparkConf}
  import org.apache.spark.rdd.PairRDDFunctions

  val conf = new SparkConf().setMaster("local").setAppName("example")
  val sc = new SparkContext(conf)

  val data = List((1, "data1"), (1, "data2"), (2, "data3"), (1, "data4"), (2, "data5"))

  val rdd = sc.parallelize(data).mapValues(str => List(str)).reduceByKey((l1, l2) => l1 ::: l2)
  rdd.collect().foreach{
    case (key, list) => println(s"key: $key values: ${list.mkString(";")}")
  }
  sc.stop()
}