Question

以下是我的数据：

val keysWithValuesList = Array("foo=A", "foo=A", "foo=A", "foo=A", "foo=B", bar=C","bar=D", "bar=D")

现在我想使用以下类型的输出，但是使用combineByKey和aggregateByKey 没有：

1) Array[(String, Int)] = Array((foo,5), (bar,3))  
2) Array((foo,Set(B, A)),
(bar,Set(C, D)))

以下是我的尝试：

scala> val keysWithValuesList = Array("foo=A", "foo=A", "foo=A", "foo=A", "foo=B", "bar=C",
     | "bar=D", "bar=D")  
scala> val sample=keysWithValuesList.map(_.split("=")).map(p=>(p(0),(p(1))))
sample: Array[(String, String)] = Array((foo,A), (foo,A), (foo,A), (foo,A), (foo,B), (bar,C), (bar,D), (bar,D))

现在，当我在变量名后面输入制表符以查看映射的RDD的适用方法时，我可以看到以下选项，但其中任何一个都不满足我的要求：

scala> sample.
apply          asInstanceOf   clone          isInstanceOf   length         toString       update

那我该怎么实现呢？

Answer 1

这是一种标准方法。

注意点：您需要使用RDD。我认为这是瓶颈。

您在这里：

val keysWithValuesList = Array("foo=A", "foo=A", "foo=A", "foo=A", "foo=B", "bar=C","bar=D", "bar=D") 

val sample=keysWithValuesList.map(_.split("=")).map(p=>(p(0),(p(1))))

val sample2 = sc.parallelize(sample.map(x => (x._1, 1)))
val sample3 = sample2.reduceByKey(_+_) 
sample3.collect()

val sample4 = sc.parallelize(sample.map(x => (x._1, x._2))).groupByKey()   
sample4.collect()

val sample5 = sample4.map(x => (x._1, x._2.toSet))
sample5.collect()

如何在Spark RDD中不使用combiningByKey和aggregateByKey来获取指定的输出

1 个答案: