Question

我使用Spark 1.0.1处理大量数据。每行包含一个ID号，一些包含重复的ID。我想在同一位置保存具有相同ID号的所有行，但我无法有效地执行此操作。我创建了一个（ID号，数据行）对的RDD [（String，String）]：

val mapRdd = rdd.map{ x=> (x.split("\\t+")(1), x)}

一种有效但不具备性能的方法是收集ID号，过滤每个ID的RDD，并保存与文本文件具有相同ID的值的RDD。

val ids = rdd.keys.distinct.collect
ids.foreach({ id =>
    val dataRows = mapRdd.filter(_._1 == id).values
    dataRows.saveAsTextFile(id)
})

我还尝试了groupByKey或reduceByKey，以便RDD中的每个元组包含一个唯一的ID号作为键，以及由该ID号的新行分隔的一组组合数据行。我想只使用foreach迭代RDD一次以保存数据，但它不能将值作为RDD提供

groupedRdd.foreach({ tup =>
  val data = sc.parallelize(List(tup._2)) //nested RDD does not work
  data.saveAsTextFile(tup._1)
})

基本上，我想通过ID号将RDD拆分为多个RDD，并将该ID号的值保存到自己的位置。

Answer 1

我认为这个问题类似于 Write to multiple outputs by key Spark - one Spark job

请在那里找到答案。

import org.apache.hadoop.io.NullWritable

import org.apache.spark._
import org.apache.spark.SparkContext._

import org.apache.hadoop.mapred.lib.MultipleTextOutputFormat

class RDDMultipleTextOutputFormat extends MultipleTextOutputFormat[Any, Any] {
  override def generateActualKey(key: Any, value: Any): Any = 
    NullWritable.get()

  override def generateFileNameForKeyValue(key: Any, value: Any, name: String): String = 
    key.asInstanceOf[String]
}

object Split {
  def main(args: Array[String]) {
    val conf = new SparkConf().setAppName("Split" + args(1))
    val sc = new SparkContext(conf)
    sc.textFile("input/path")
    .map(a => (k, v)) // Your own implementation
    .partitionBy(new HashPartitioner(num))
    .saveAsHadoopFile("output/path", classOf[String], classOf[String],
      classOf[RDDMultipleTextOutputFormat])
    spark.stop()
  }
}

刚刚看到上面的类似答案，但实际上我们并不需要自定义分区。 MultipleTextOutputFormat将为每个键创建文件。具有相同键的多个记录可以归入同一分区。

new HashPartitioner（num），其中num是您想要的分区号。如果您有大量不同的密钥，可以将数字设置为大。在这种情况下，每个分区都不会打开太多的hdfs文件处理程序。

Answer 2

这将保存每个用户ID的数据

val mapRdd = rdd.map{ x=> (x.split("\\t+")(1),
x)}.groupByKey(numPartitions).saveAsObjectFile("file")

如果您需要根据用户ID再次检索数据，可以执行类似

的操作

val userIdLookupTable = sc.objectFile("file").cache() //could use persist() if data is to big for memory  
val data = userIdLookupTable.lookup(id) //note this returns a sequence, in this case you can just get the first one

请注意，在这种情况下，我没有特别的理由保存到文件，因为OP要求它，所以说保存到文件确实允许您在初始分组后的任何时候加载RDD已经完成了。

最后一点，lookup比访问ID的过滤方法更快，但如果您愿意从spark中取消拉取请求，则可以检查this answer以获得更快的方法< / p>

Answer 3

你可以直接在分组RDD上调用saveAsTextFile，这里它将根据分区保存数据，我的意思是，如果你有4个distinctID，并且你将groupsRDD的分区数指定为4，那么spark将每个分区数据存储为一个文件（因此只能有一个文件管理器ID）你甚至可以将数据看作文件系统中eachId的迭代。

Apache Spark：按键将RDD分成多个RDD以保存值

3 个答案: