spark - 在地图内过滤

Question

我正在尝试过滤内部地图功能。基本上我在经典map-reduce中执行此操作的方式是mapper在过滤条件满足时不会向上下文写入任何内容。我怎样才能与火花相似？我似乎无法从map函数返回null，因为它在shuffle步骤中失败。我可以使用过滤器功能，但是在我可以在地图期间执行相同的任务时，它似乎是不必要的数据集迭代。我也可以尝试使用虚拟键输出null，但这是一个糟糕的解决方法。

Answer 1

选项很少：

rdd.flatMap：rdd.flatMap会将Traversable集合压缩到RDD中。要选择元素，您通常会返回Option作为转换的结果。

rdd.flatMap(elem => if (filter(elem)) Some(f(elem)) else None)

rdd.collect(pf: PartialFunction)允许您提供可以过滤和转换原始RDD中元素的部分函数。您可以使用此方法的所有模式匹配功能。

rdd.collect{case t if (cond(t)) => f(t)}
rdd.collect{case t:GivenType => f(t)}

正如Dean Wampler在评论中提到的，rdd.map(f(_)).filter(cond(_))可能与上面提到的其他更“简洁”的选项一样好，甚至更快。

其中f是转换（或映射）函数。