join - Spark 数据帧 reduceByKey

我正在使用 Spark 1.5/1.6，我想在 DataFrame 中进行 reduceByKey 操作，我不想将 df 转换为 rdd。

每行看起来像，我有 id1 的多行。

id1, id2, score, time

我想要这样的东西:

id1, [ (id21, score21, time21) , ((id22, score22, time22)) , ((id23, score23, time23)) ]

所以，对于每个“id1”，我想要一个列表中的所有记录

顺便说一句，不想将 df 转换为 rdd 的原因是因为我必须将这个(减少的)数据帧加入另一个数据帧，并且我正在对连接键进行重新分区，这使它更快，我猜rdd 不能做同样的事情

任何帮助将不胜感激。

最佳答案

为了简单地保留已经实现的分区，然后在 reduceByKey 调用中重新使用父 RDD 分区器:

 val rdd = df.toRdd
 val parentRdd = rdd.dependencies(0) // Assuming first parent has the
                                     // desired partitioning: adjust as needed
 val parentPartitioner = parentRdd.partitioner
 val optimizedReducedRdd = rdd.reduceByKey(parentPartitioner, reduceFn)

如果您不按如下方式指定分区程序:

 df.toRdd.reduceByKey(reduceFn)  // This is non-optimized: uses full shuffle

那么你注意到的行为就会发生 - 即发生完全洗牌。那是因为将使用 HashPartitioner 代替。

关于join - Spark 数据帧 reduceByKey，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/37307228/