reduceBykey Spark维护顺序

Question

我的输入数据集看起来像

id1, 10, v1
id2, 9, v2
id2, 34, v3
id1, 6, v4
id1, 12, v5
id2, 2, v6

我想要输出

id1; 6,v4 | 10,v1 | 12,v5
id2; 2,v6 | 9,v2 | 34,v3

这就是

id1: array[num(i),value(i)] where num(i) should be sorted

我尝试过的：

获取 id 和第 2 列作为键，sortByKey，但由于它是一个字符串，排序不像 int，而是 string
获取第 2 列作为键，sortByKey，然后获取 ID 和键以及第 2 列值列，reduceByKey。但在这种情况下，在做 reduceByKey;订单未保留。即使 groupByKey 也没有阻止命令。其实这是预料之中的。

我们将不胜感激。

Answer 1

由于您没有提供有关输入类型的任何信息，我假设它是 RDD[(String, Int, String)]:

val rdd = sc.parallelize(
    ("id1", 10, "v1") :: ("id2", 9, "v2") ::
    ("id2", 34, "v3") :: ("id1", 6, "v4") :: 
    ("id1", 12, "v5") :: ("id2", 2, "v6") :: Nil)

rdd
  .map{case (id, x, y) => (id, (x, y))}
  .groupByKey
  .mapValues(iter => iter.toList.sortBy(_._1))
  .sortByKey() // Optional if you want id1 before id2

编辑:

要获得您描述的输出，您可以将传递给 mapValues 的函数替换为如下内容：

def process(iter: Iterable[(Int, String)]): String = {
  iter.toList
      .sortBy(_._1)
      .map{case (x, y) => s"$x,$y"}
      .mkString("|")
}

reduceBykey Spark维护顺序

reduceBykey Spark maintain order

reduce

scala

apache-spark

rdd