Spark Scala 中的 Array[RDD[(String, Set[String])]] 转换

Question

我有一个 Array[RDD[(String, Set[String])]] 类型的 RDD 数组，其中每个 RDD 都是键和值的元组。 键是字符串，值是 Set[String]，我想用相同的键合并/联合 Set。我试图在 scala 中做到这一点，但没有快乐。你能帮帮我吗？

e.g.
RDD["A",Set("1","2")]
RDD["A",Set("3","4")]
RDD["B",Set("1","2")]
RDD["B",Set("3","4")]
RDD["C",Set("1","2")]
RDD["C",Set("3","4")]

After transformation:
RDD["A",Set("1","2","3","4")]
RDD["B",Set("1","2","3","4")]
RDD["C",Set("1","2","3","4")]

Answer 1

如果单个RDD 作为输出是可以的（真的没有理由制作许多只有1 条记录的RDD），您可以将RDD 的Array 减少为单个RDD 和然后做一个groupByKey:

arr.reduce( _ ++ _ )
   .groupByKey
   .mapValues(_.flatMap(identity))

例子：

scala> val x = sc.parallelize( List( ("A", Set(1,2)) ) )
scala> val x2 = sc.parallelize( List( ("A", Set(3,4)) ) )
scala> val arr = Array(x,x2)
arr: Array[org.apache.spark.rdd.RDD[(String, scala.collection.immutable.Set[Int])]] = Array(ParallelCollectionRDD[0] at parallelize at <console>:27, ParallelCollectionRDD[1] at parallelize at <console>:27)
scala> arr.reduce( _ ++ _ ).groupByKey.mapValues(_.flatMap(identity)).foreach(println)
(A,List(1, 2, 3, 4))

@Edit：我发现这是一个非常糟糕的主意，并建议您重新考虑它，但是您可以通过从上面获取所有键并多次过滤 RDD 来获得所需的结果：

val sub = arr.reduce( _ ++ _ ).groupByKey.mapValues(_.flatMap(identity))
val keys = sub.map(_._1).collect()
val result = for(k <- keys) yield sub.filter(_._1 == k)
result: Array[org.apache.spark.rdd.RDD[(String, Iterable[Int])]]

每个RDD 都会有一个元组，不要觉得它很有用，性能很好。