Spark：列表的交集不起作用

Question

我有一个如下形式的 RDD：

t1-> (Long, List[Long])

和表单列表

 t2-> List[Long]

我需要执行列表的并集和交集。我正在尝试以下代码：

val t1 = a.map(x => (x._1, (List(x._2)))).reduceByKey(_ ++ _) 
val t2 = b.map(x => (x._1, (List(x._2)))).reduceByKey(_ ++ _).map(x => x._2).collect()
val t3intersect = t1.map(x => (x._1, (x._2.intersect(t2))))
val t3union = t1.map(x => (x._1, (x._2.union(t2))))

虽然并集 return 的结果是正确的，但交集始终是一个空列表。我无法确定问题所在。请帮忙！谢谢！

这是一个例子：

(1, List(1596, 1617, 1929, 2399, 2674))
(2, List(1702, 1785, 1933, 2054, 2583, 2913))
(3, List(1982, 2002, 2048, 2341, 2666))

和

List(2002, 2399)

这应该return交集：

(1, List(2399))
(2, List())
(3, List(2002))

联合：

(1, List(1596, 1617, 1929, 2399, 2674, 2002))
(2, List(1702, 1785, 1933, 2054, 2583, 2913, 2002, 2399))
(3, List(1982, 2002, 2048, 2341, 2666, 2399))

Answer 1

我觉得你的交集代码没问题。它应该工作。也尝试这样做以获得更清晰和可能的性能：

val t3intersect = t1.mapValues( _ intersect t2 )

编辑：我不知道什么是a和b，获取t1和[=的逻辑是什么16=] 来自他们，但是如果你在 Spark REPL 中如下初始化 t1 和 t2，为了测试：

scala> val t1 = sc.parallelize( List(
     | (1, List(1596, 1617, 1929, 2399, 2674)),
     | (2, List(1702, 1785, 1933, 2054, 2583, 2913)),
     | (3, List(1982, 2002, 2048, 2341, 2666)) ), 2)
t1: org.apache.spark.rdd.RDD[(Int, List[Int])] = ParallelCollectionRDD[10] at parallelize at <console>:12

scala> val t2 = List(2002, 2399)
t2: List[Int] = List(2002, 2399)

那么你得到了预期的结果：

scala> val tr = t1.mapValues( _ intersect t2 )
tr: org.apache.spark.rdd.RDD[(Int, List[Int])] = MappedValuesRDD[12] at mapValues at <console>:16

scala> tr.collect()
res13: Array[(Int, List[Int])] = Array((1,List(2399)), (2,List()), (3,List(2002)))

所以，请注意其他地方是否有错误。

Answer 2

我已将您的问题案例重现如下：

object ItersectionList {

  def main(args: Array[String]) {
    val spConf = new SparkConf().setMaster("local[2]").setAppName("ItersectionList")
    val sc = new SparkContext(spConf)

    val a = Array(
      (1, List(1596, 1617, 1929, 2399, 2674)),
      (2, List(1702, 1785, 1933, 2054, 2583, 2913)),
      (3, List(1982, 2002, 2048, 2341, 2666))
    )

    val t2 = List(2002, 2399)

    val t1 = sc.makeRDD(a).map(x => (x._1, (List(x._2)))).reduceByKey(_ ++ _)
    val t3intersect = t1.map(x => (x._1, (x._2.intersect(t2))))
    val t3union = t1.map(x => (x._1, (x._2.union(t2))))

    t3intersect.foreach(println)
    t3union.foreach(println)

  }
}

结果如下：

Intersection:
(2,List())
(1,List())
(3,List())

Union: 
(2,List(List(1702, 1785, 1933, 2054, 2583, 2913), 2002, 2399))
(1,List(List(1596, 1617, 1929, 2399, 2674), 2002, 2399))
(3,List(List(1982, 2002, 2048, 2341, 2666), 2002, 2399))

我发现是map(x => (x._1, (List(x._2)))).reduceByKey(_ ++ _)里List(x._2)的问题，把List(a, b, c)改成了List(List(a, b, c))。由于 List(List(a, b, c)) 不匹配 List(a, b, c)，交集将为空。您可以按如下方式删除List()，结果将是正确的。

 val t1 = sc.makeRDD(a).map(x => (x._1, x._2)).reduceByKey(_ ++ _)

或

 val t1 = sc.makeRDD(a).reduceByKey(_ ++ _)

Spark：列表的交集不起作用

Spark: Intersection of Lists not working

list

scala

apache-spark

rdd