Apache Flink 上的 zipWithIndex

Question

我想为输入的每一行分配一个id - 它应该是从0 到N - 1 的一个数字，其中N 是输入中的行数。

大致上，我希望能够执行以下操作：

val data = sc.textFile(textFilePath, numPartitions)
val rdd = data.map(line => process(line))
val rddMatrixLike = rdd.zipWithIndex.map { case (v, idx) => someStuffWithIndex(idx, v) }

但是在 Apache Flink 中。可能吗？

Answer 1

这现在是 Apache Flink 0.10-SNAPSHOT 版本的一部分。 zipWithIndex(in) 和 zipWithUniqueId(in) 的示例可在官方 Flink documentation 中找到。

Answer 2

下面是一个简单的函数实现：

public class ZipWithIndex {

public static void main(String[] args) throws Exception {

    ExecutionEnvironment ee = ExecutionEnvironment.getExecutionEnvironment();

    DataSet<String> in = ee.readTextFile("/home/robert/flink-workdir/debug/input");

    // count elements in each partition
    DataSet<Tuple2<Integer, Long>> counts = in.mapPartition(new RichMapPartitionFunction<String, Tuple2<Integer, Long>>() {
        @Override
        public void mapPartition(Iterable<String> values, Collector<Tuple2<Integer, Long>> out) throws Exception {
            long cnt = 0;
            for (String v : values) {
                cnt++;
            }
            out.collect(new Tuple2<Integer, Long>(getRuntimeContext().getIndexOfThisSubtask(), cnt));
        }
    });

    DataSet<Tuple2<Long, String>> result = in.mapPartition(new RichMapPartitionFunction<String, Tuple2<Long, String>>() {
        long start = 0;

        @Override
        public void open(Configuration parameters) throws Exception {
            super.open(parameters);
            List<Tuple2<Integer, Long>> offsets = getRuntimeContext().getBroadcastVariable("counts");
            Collections.sort(offsets, new Comparator<Tuple2<Integer, Long>>() {
                @Override
                public int compare(Tuple2<Integer, Long> o1, Tuple2<Integer, Long> o2) {
                    return ZipWithIndex.compare(o1.f0, o2.f0);
                }
            });
            for(int i = 0; i < getRuntimeContext().getIndexOfThisSubtask(); i++) {
                start += offsets.get(i).f1;
            }
        }

        @Override
        public void mapPartition(Iterable<String> values, Collector<Tuple2<Long, String>> out) throws Exception {
            for(String v: values) {
                out.collect(new Tuple2<Long, String>(start++, v));
            }
        }
    }).withBroadcastSet(counts, "counts");
    result.print();

}

public static int compare(int x, int y) {
    return (x < y) ? -1 : ((x == y) ? 0 : 1);
}
}

它是这样工作的：我使用第一个mapPartition() 操作遍历分区中的所有元素，以计算其中有多少元素。 在将 ID 分配给元素时，我需要知道每个分区中的元素数量以正确设置偏移量。 第一个mapPartition 的结果是一个包含映射的DataSet。我正在将此 DataSet 广播给所有第二个 mapPartition() 运算符，它们会将 ID 分配给输入中的元素。 在第二个mapPartition() 的open() 方法中，我正在计算每个分区的偏移量。

我可能会将代码贡献给 Flink（在与其他提交者讨论之后）。