Question

我试图找到spark中的解决方案，用数组中的公共元素对数据进行分组。

 key                            value
[k1,k2]                         v1
[k2]                            v2
[k3,k2]                         v3
[k4]                            v4

如果任何元素在key中匹配，我们必须为其分配相同的groupid。（Groupby common element）

结果：

key                             value  GroupID
[k1,k2]                           v1    G1
[k2]                              v2    G1
[k3,k2]                           v3    G1 
[k4]                              v4    G2

Spark Graphx已经提供了一些建议，但此时学习曲线将更多地用于实现单一功能。

Answer 1

包含graphframes（最新支持的Spark版本为2.1，但它也应该支持2.2，如果您使用较新版本，则必须使用2.3补丁构建自己的版本）替换XXX使用Spark版本和YYY使用Scala版本：

spark.jars.packages  graphframes:graphframes:0.5.0-sparkXXX-s_YYY

添加爆炸键：

import org.apache.spark.sql.functions._

val df = Seq(
   (Seq("k1", "k2"), "v1"), (Seq("k2"), "v2"),
   (Seq("k3", "k2"), "v3"), (Seq("k4"), "v4")
).toDF("key", "value")

val edges = df.select(
  explode($"key") as "src", $"value" as "dst")

转换为graphframe：

import org.graphframes._

val gf = GraphFrame.fromEdges(edges)

设置检查点目录（如果未设置）：

import org.apache.spark.sql.SparkSession

val path: String = ???
val spark: SparkSession = ???
spark.sparkContext.setCheckpointDir(path)

查找已连接的组件：

val components = GraphFrame.fromEdges(edges).connectedComponents.setAlgorithm("graphx").run

使用输入数据加入结果：

 val result = components.where($"id".startsWith("v")).toDF("value", "group").join(df, Seq("value"))

检查结果：

result.show

// +-----+------------+--------+
// |value|       group|     key|
// +-----+------------+--------+
// |   v3|489626271744|[k3, k2]|
// |   v2|489626271744|    [k2]|
// |   v4|532575944704|    [k4]|
// |   v1|489626271744|[k1, k2]|
// +-----+------------+--------+

如何按数组中的common元素进行分组？

1 个答案: