spark reducebykey 并忽略休息

Question

我正在尝试以第一列作为键在两个 RDD 之间执行连接。 RDD 看起来像：

RDD1:
(k1,(s11,s12,s13))
(k2,(s21,s22,s23))
(k3,(s31,s32,s33))
...

RDD2:
(k1,(t11,t12,t13))
(k2,(t21,t22,t23))
(k4,(t41,t42,t43))
...

来自一个 RDD 的 ki 可能会或可能不会从另一个 RDD 中找到匹配项。但是，如果它确实找到了匹配项，它将只匹配另一个 RDD 的一行。换句话说，ki 是两个 RDD 的主键。

我是这样做的

RDD3=RDD1.union(RDD2).reduceByKey(lambda x,y:(x+y)).filter(lambda x:len(x[1])==6)

生成的 RDD 如下所示：

RDD3:
(k1,(s11,s12,s13,t11,t12,t13))
(k2,(s21,s22,s23,t21,t22,t23))
...

我想在计算 RDD3 时避免使用filter 函数。它看起来像一个可以避免的计算。是否可以使用内置的 spark 函数来做到这一点？我不想使用 spark-sql 或数据框

Answer 1

您需要join 方法和mapValues 方法来连接来自同一键的值：

rdd1.join(rdd2).mapValues(lambda x: x[0] + x[1]).collect()
# [('k2', ('s21', 's22', 's23', 't21', 't22', 't23')), 
#  ('k1', ('s11', 's12', 's13', 't11', 't12', 't13'))]