Apache Spark RDD 过滤成两个 RDD

Question

我需要将一个 RDD 分成两部分：

1个满足条件的部分；另一部分没有。我可以在原始 RDD 上执行 filter 两次，但效率似乎很低。有没有办法可以做我想要的？我在 API 和文献中都找不到任何内容。

Answer 1

如果您可以 T 而不是 RDD[T]，那么您可以。否则，您可以这样做：

val data = sc.parallelize(1 to 100)
val splitData = data.mapPartitions{iter => {
    val splitList = (iter.toList).partition(_%2 == 0)
    Tuple1(splitList).productIterator
  }
}.map(_.asInstanceOf[Tuple2[List[Int],List[Int]]])

然后，当您执行某项操作时，您可能需要减少它以合并列表

Answer 2

Spark 默认不支持此功能。如果您事先缓存相同的数据，则对相同的数据进行两次过滤并没有那么糟糕，而且过滤本身很快。

如果真的只是两种不同的类型，你可以使用辅助方法：

implicit class RDDOps[T](rdd: RDD[T]) {
  def partitionBy(f: T => Boolean): (RDD[T], RDD[T]) = {
    val passes = rdd.filter(f)
    val fails = rdd.filter(e => !f(e)) // Spark doesn't have filterNot
    (passes, fails)
  }
}

val (matches, matchesNot) = sc.parallelize(1 to 100).cache().partitionBy(_ % 2 == 0)

但是一旦你有多种类型的数据，只需将过滤后的数据分配给一个新的值。

Answer 3

Spark RDD 没有这样的api。

这是一个基于 pull request for rdd.span 的版本，应该可以工作：

import scala.reflect.ClassTag
import org.apache.spark.rdd._

def split[T:ClassTag](rdd: RDD[T], p: T => Boolean): (RDD[T], RDD[T]) = {

    val splits = rdd.mapPartitions { iter =>
        val (left, right) = iter.partition(p)
        val iterSeq = Seq(left, right)
        iterSeq.iterator
    }

    val left = splits.mapPartitions { iter => iter.next().toIterator}

    val right = splits.mapPartitions { iter => 
        iter.next()
        iter.next().toIterator
    }
    (left, right)
}

val rdd = sc.parallelize(0 to 10, 2)

val (first, second) = split[Int](rdd, _ % 2 == 0 )

first.collect
// Array[Int] = Array(0, 2, 4, 6, 8, 10)

Answer 4

重点是，你要做的不是滤镜，而是地图。

(T) -> (Boolean, T)

抱歉，我的 Scala 语法效率低下。但想法是，您通过将答案集映射到 Key/Value 对来拆分答案集。 Key 可以是一个布尔值，指示它是否正在传递 'Filter' 谓词。

您可以通过分区处理来控制输出到不同的目标。只要确保您不将并行处理限制为仅下游的两个分区即可。

另见

Answer 5

你可以使用subtract function（如果过滤操作太昂贵）。

PySpark 代码：

rdd1 = data.filter(filterFunction)

rdd2 = data.subtract(rdd1)

Apache Spark RDD 过滤成两个 RDD

Apache Spark RDD filter into two RDDs

apache-spark

rdd