如何在 Spark 中按分区对键/值进行分组？

Question

我有一个 Spark Streaming 应用程序，它每秒接收几条 JSON 消息，每条消息都有一个标识其来源的 ID。

使用此 ID 作为键，我可以执行 MapPartitionsToPair，从而创建一个 JavaPairDStream，其中包含键/值对的 RDD，每个分区一个键值对（例如，如果我收到 5 条 JSON 消息，我得到一个包含 5 个分区的 RDD，每个分区都以消息的 ID 作为键，以 JSON 消息本身作为值）。

我现在想要做的是，我想将所有具有相同键的值分组到同一个分区中。因此，例如，如果我有 3 个带有键“a”的分区和 2 个带有键“b”的分区，我想创建一个带有 2 个分区而不是 5 个分区的新 RDD，每个分区包含一个键具有的所有值，一个用于'a' 和一个 'b'。

我怎样才能做到这一点？ 到目前为止，这是我的代码：

JavaReceiverInputDStream<String> streamData2 = ssc.socketTextStream(args[0], Integer.parseInt(args[1]),
            StorageLevels.MEMORY_AND_DISK_SER);

JavaPairDStream<String,String> streamGiveKey= streamData2.mapPartitionsToPair(new PairFlatMapFunction<Iterator<String>, String, String>() {
        @Override
        public Iterable<Tuple2<String, String>> call(Iterator<String> stringIterator) throws Exception {

            ArrayList<Tuple2<String,String>>a= new ArrayList<Tuple2<String, String>>();

            while (stringIterator.hasNext()){
                String c=stringIterator.next();
                if(c==null){
                    return null;

                }

                JsonMessage retMap = new Gson().fromJson(c,JsonMessage.class);
                String key= retMap.getSid();
                Tuple2<String,String> b= new Tuple2<String,String>(key,c);
                a.add(b);

                System.out.print(b._1+"_"+b._2);
                // }
                //break;
            }


            return a;
        }
    });

//我创建一个JavaPairDStream，其中每个分区包含一个键/值对。

我尝试使用grouByKey()，但是无论消息数量是多少，我总是得到分区号2。

我该怎么做？ 非常感谢。

Answer 1

你可以使用

groupByKey(Integer numPartitions)

并将numPartitions 设置为等于您拥有的不同键的数量。

但是 .. 您需要预先知道 您有多少个不同的键。你有那个信息吗？可能不是。那么......你需要做一些额外的（/冗余）工作。例如。使用

countByKey

作为第一步。这比 groupByKey 快 - 所以至少您没有将总处理时间加倍。

更新 OP 询问他们为什么默认获得 2 个分区。

默认的groupByKey 使用defaultPartitioner() 方法

groupByKey(defaultPartitioner(self))

• 从具有最大基数的父分区中选择Partitioner。

-- 否则会使用spark.default.parallelism