Spark - 按键分组，然后按值计数

Question

我使用map

中的RDD Array[String]函数创建了非唯一键值对

val kvPairs = myRdd.map(line => (line(0), line(1)))

这会生成格式数据：

1, A
1, A
1, B
2, C

我想按照它们的值对所有键进行分组，并提供这些值的计数，如下所示：

1, {(A, 2), (B, 1)}
2, {(C, 1)}

我尝试了很多不同的尝试，但我能得到的最接近的是：

kvPairs.sortByKey().countByValue()

这给出了

1, (A, 2)
1, (B, 1)
2, (C, 1)

此外，

kvPairs.groupByKey().sortByKey()

提供价值，但它仍然不存在：

1, {(A, A, B)}
2, {(C)}

我尝试将两者结合在一起：

kvPairs.countByValue().groupByKey().sortByKey()

但这会返回错误

  

错误：值groupByKey不是scala.collection.Map的成员[（String，String），Long]

Answer 1

直接计算对，然后分组（如果有的话）：

kvPairs.map((_, 1L))
  .reduceByKey(_ + _)
  .map{ case ((k, v), cnt) => (k, (v, cnt)) }
  .groupByKey

如果你想在减少之后gropuByKey，你可能想要使用仅考虑密钥的第一个元素的自定义分区器。您可以查看RDD split and do aggregation on new RDDs以获取示例实现。