如何有效地加入任意数量的 RDD？

Question

使用RDD1.join(RDD2) 连接两个RDD 很简单。但是，如果我在 List<JavaRDD> 中保留任意数量的 RDD，我怎样才能有效地加入它们？

Answer 1

首先请注意，您不能加入JavaRDD。您需要使用以下方法获取JavaPairRDD：

• groupBy()（或keyBy()）
• cartesian()
• [flat]mapToPair()
• zipWithIndex()（很有用，因为它会在没有索引的地方添加索引）
• 等

然后，一旦你有了你的名单，你就可以像这样加入他们：

JavaPairRDD<Integer, String> linesA = sc.parallelizePairs(Arrays.asList(
                                            new Tuple2<>(1, "a1"),
                                            new Tuple2<>(2, "a2"),
                                            new Tuple2<>(3, "a3"),
                                            new Tuple2<>(4, "a4")));
JavaPairRDD<Integer, String> linesB = sc.parallelizePairs(Arrays.asList(
                                            new Tuple2<>(1, "b1"),
                                            new Tuple2<>(5, "b5"),
                                            new Tuple2<>(3, "b3")));
JavaPairRDD<Integer, String> linesC = sc.parallelizePairs(Arrays.asList(
                                            new Tuple2<>(1, "c1"),
                                            new Tuple2<>(5, "c6"),
                                            new Tuple2<>(6, "c3")));

// the list of RDDs
List<JavaPairRDD<Integer, String>> allLines = Arrays.asList(linesA, linesB, linesC);

// since we probably don't want to modify any of the datasets in the list, we will
// copy the first one in a separate variable to keep the result
JavaPairRDD<Integer, String> res = allLines.get(0);
for (int i = 1; i < allLines.size(); ++i) {  // note we skip position 0 !
    res = res.join(allLines.get(i))
    /*[1]*/  .mapValues(tuple -> tuple._1 + ':' + tuple._2);
}

带有[1] 的那一行是重要的，因为它映射了一个

JavaPairRDD<Integer, Tuple2<String,String>>回一个

JavaPairRdd<Integer,String> 使其与进一步的连接兼容。

根据克里斯夫的回答，这可以像这样放在“一行”中：

JavaPairRDD<Integer, String> res;
res = allLines.stream()
              .reduce((rdd1, rdd2) -> rdd1.join(rdd2).mapValues(tup -> tup._1 + ':' + tup._2))
              .get();  // get value from Optional<JavaPairRDD>

最后，关于性能的一些想法。在上面的示例中，我使用字符串连接将连接的结果减少回相同类型的 RDD。如果您有很多 RDD，您可能可以通过使用带有 JavaPairRDD<Integer, StringBuilder> res 的 for loop 版本来加快速度，您可以在其中手动进行第一次连接。如果需要，我会发布更多详细信息。

Answer 2

我不熟悉 JavaRDD 类/接口，但也许您可以使用 Java 8 中的高阶函数 reduce 解决这个问题，请参阅 https://docs.oracle.com/javase/tutorial/collections/streams/reduction.html

final List<JavaRDD> list = getList(); // where getList is your list implementation containing JavaRDD instances

// The JavaRDD class provides rdd() to get the RDD
final JavaRDD rdd = list.stream().map(JavaRDD::rdd).reduce(RDD::join);

String 类的示例如下：-

Stream.of("foo", "bar", "baz").reduce(String::concat);

哪个产生

美食吧