在 pyspark 中使用嵌套元素从 RDD 获取平面 RDD

Question

我在 Pyspark 中有两个 RDD，嵌套元素如下：

a = sc.parallelize(( (1,2), 3,(4,(6,7,(8,9,(11),10)),5,12)))

b = sc.parallelize(1,2,(3,4))

嵌套可以有任意深度。

我想合并它们然后找到任意深度的最大元素，所以我尝试将它转换为 RDD 而没有像这样的嵌套值 (1,2,3,4,6,7,8,9 ,11,10,5,12,1,2,3,4) 并使用其中任何一个（map、reduce、filter、flatmap、lamda 函数）获得最大值。谁能告诉我如何转换或获取最大元素。

我有一个解决方案，但它只适用于像

这样的两个深度级别

a = sc.parallelize(( (1,2), 3,(4,5)))
b = sc.parallelize((2,(4,6,7),8))

def maxReduce(tup):
    return int(functools.reduce(lambda a,b : a if a>b else b, tup))

maxFunc = lambda x: maxReduce(x) if type(x) == tuple else x

a.union(b).map(lambda x: maxFunc(x)).reduce(lambda a,b : a if a>b else b)

以上代码仅适用于深度二，我需要在任何给定深度下使用它 (1,(2,3,(4,5,(6,(7,(8))))))。

Answer 1

听起来递归函数的一个很好的用例：

from collections import Iterable

a = sc.parallelize(((1, 2), 3, (4, (6, 7, (8, 9, (11), 10)), 5, 12)))
b = sc.parallelize((1, 2, (3, 4)))

def maxIterOrNum(ele):
    """
    this method finds the maximum value in an iterable otherwise return the value itself
    :param ele: An iterable of numeric values or a numeric value
    :return: a numeric value
    """
    res = -float('inf')
    if isinstance(ele, Iterable):
        for x in ele:
            res = max(res, maxIterOrNum(x))
        return res
    else:
        return ele

a.union(b).reduce(lambda x, y: max(maxIterOrNum(x), maxIterOrNum(y)))

在 pyspark 中使用嵌套元素从 RDD 获取平面 RDD

Get a flat RDD from RDD with nested elements in pyspark

python

mapreduce

apache-spark

pyspark