连接具有多个值组件的两个 RDD 并将结果展平

Posted 2023-04-18

【中文标题】连接具有多个值组件的两个 RDD 并将结果展平

【英文标题】：Joining two RDDs with multiple value components and flattening the result

【发布时间】：2018-12-05 16:11:44

【问题描述】：

我有 2 个具有相同键的 RDD，但值类型不同（超过 2 个值）。我想按键加入这些 RDD，然后将它们的值附加到最后的元组中（见下文）。最好的方法是什么？

rdd1 = sc.parallelize([ (1, "test1", [5,6,7]), (2, "test2", [1,2,3]) ])
rdd2 = sc.parallelize([ (1, "Foo"), (2, "Bar") ])

期望的输出RDD

[ (1, "Foo", "test1", [5,6,7]), (2, "Bar", "test2", [1,2,3]) ]

---

直接加入不起作用：

print(rdd2.join(rdd1).collect())
#[(1, ('Foo', 'test1')), (2, ('Bar', 'test2'))]

这会忽略rdd1 中的其余值，并且输出格式错误。

【问题讨论】：

为什么要提到左外连接？

请更新您的问题，因为左外连接不会检索您选择的最终 RDD。

【参考方案1】：

您可以在此处使用join，前提是您首先将rdds 映射为(key, value) 的形式。

rdd1 = sc.parallelize([ (1, "test1", [5,6,7]), (2, "test2", [1,2,3]) ])
rdd2 = sc.parallelize([ (1, "Foo"), (2, "Bar") ])

def map_to_kvp(row):
    if len(row) < 3:
        return row
    return (row[0], tuple(row[1:]))

rdd3 = rdd2.map(map_to_kvp).join(rdd1.map(map_to_kvp))
print(rdd3.collect())
#[
#    (1, ('Foo', ('test1', [5, 6, 7]))), 
#    (2, ('Bar', ('test2', [1, 2, 3])))
#]

现在您已将所有数据放在正确的位置，但您只需将结果行展平即可。

在这种情况下，您必须编写自己的 flatten 函数以避免同时将 string 和 list 变平。

我们可以在this answer 到How can I flatten lists without splitting strings? 的基础上创建自己的功能：

def flatten(foo):
    for x in foo:
        if hasattr(x, '__iter__') and not isinstance(x, str) and not isinstance(x, list):
            for y in flatten(x):
                yield y
        else:
            yield x

rdd4 = rdd3.map(lambda row: tuple(flatten(row)))
print(rdd4.collect())
#[(1, 'Foo', 'test1', [5, 6, 7]), (2, 'Bar', 'test2', [1, 2, 3])]

【讨论】：

谢谢，我认为 join 可以在具有多个值的元组上完成，但必须将所有值分组到一个元组中......