我有一个pairRDD,元组的格式如下:
for(int i = 0; i < arr.length; i++) {
System.out.println("element of aray is "+ arr[i]); // It prints the element itself -> 11 12 13 14 15.. and so on
System.out.println("iteration number "+ i); // It prints the index of iteration -> 0 1 2 3 4 5.. and so on
}
我想要的是将上面的内容转换为键值对RDD,其中第一个字段是键,第二个字段是字符串列表(值)。即我想把它变成以下形式:
[(1,"b1","c1","d1","e1"), (2,"b2","c2","d2","e2"), ...
在此之后,是否可以访问我想要的任何字段?
例如,我可以访问元组[(1,["b1","c1","d1","e1"]), (2,["b2","c2","d2","e2"]), ...
,然后只提取字段(1,["b1","c1","d1","e1"])
吗?
答案 0 :(得分:3)
如果您有一个带有元组的RDD,但是代表了元组,您可以使用mapToPair
将元组的RDD转换为具有键和值的PairRDD。
在Java 8中,这可能是
JavaPairRDD<Integer,List<String>> r =
rddOfTuples.mapToPair((t)->new Tuple2(
extractKey(t),
extractTuples(t)
));
请注意,此操作将引入随机播放。
要说明显而易见的,extractKey
和extractTuples
是要根据需要提取原始元组部分的方法。
由于我对Scala Tuples的了解有限,并且假设输入类似于scala.Tuple5<String,Integer,Integer,Integer,Integer>
,这可能是:
JavaPairRDD<Integer,List<String>> r =
rddOfTuples.mapToPair((t)->new Tuple2(
t._1,
Arrays.asList(t._2,t._3,t._4,t._6)
));
但是,如果您事先不知道Tuple
的arity(元素数量),那么在scala术语中,它是Product
。要动态访问元素,您需要使用Product
接口,并选择:
int productArity()
Object productElement(int n)
Iterator<Object> productIterator()
然后它成为常规的Java练习:
JavaPairRDD<Integer,List<String>> r =
rddOfTuples.mapToPair((t)->{
List<String> l = new ArrayList<>(t.productArity()-1);
for (int i = 1; i < t.productArity(); i++) {
l.set(i-1,t.productElement(i));
}
return new Tuple2<>(t._1,l);
}));
我希望我没事......上面这段代码是未经测试/未编译的...所以如果你可以让它与更正一起工作,那么随意在这个答案中应用更正...
答案 1 :(得分:1)
您可以尝试使用地图功能,例如在Scala中:
rdd.map { case (k,v1,v2,v3,v4) => (k,(v1,v2,v3,v4)) }
或者也可以使用rdd.groupBy,但这对大型数据集来说可能效率低下。