如何使用在源RDD中共享密钥的元素创建配对RDD？

Question

我在pyspark中有一个键值RDD，并希望返回在源RDD中具有相同键的对的RDD。

#input rdd of id and user
rdd1 = sc.parallelize([(1, "user1"), (1, "user2"), (2, "user1"), (2, "user3"), (3,"user2"), (3,"user4"), (3,"user1")])

#desired output
[("user1","user2"),("user1","user3"),("user1","user4"),("user2","user4")]

到目前为止，我一直无法提出正确的功能组合来做到这一点。其目的是基于共享公共密钥创建用户边缘列表。

Answer 1

据我所知，您的描述应该有效：

output = (rdd1
   .groupByKey()
   .mapValues(set)
   .flatMap(lambda kvs: [(x, y) for x in kvs[1] for y in kvs[1] if x < y])
   .distinct())

不幸的是，这是相当昂贵的操作。