加入RDD后删除括号

Question

我正在加入大量的rdd，我想知道是否有一种删除在每个连接上创建的括号的通用方法。

这是一个小样本：

val rdd1 =  sc.parallelize(Array((1,2),(2,4),(3,6)))
val rdd2 =  sc.parallelize(Array((1,7),(2,8),(3,6)))
val rdd3 =  sc.parallelize(Array((1,2),(2,4),(3,6)))

val result = rdd1.join(rdd2).join(rdd3)

res: result: org.apache.spark.rdd.RDD[(Int, ((Int, Int), Int))] = Array((1,((2,7),2)), (3,((4,8),4)), (3,((4,8),6)), (3,((4,6),4)), (3,((4,6),6)))

我知道我可以使用地图

result.map((x) => (x._1,(x._2._1._1,x._2._1._2,x._2._2))).collect

Array[(Int, (Int, Int, Int))] = Array((1,(2,7,2)), (2,(4,8,4)), (3,(6,6,6)))

但是由于大量的rdd都包含许多元素，因此使用这种方法很快就会变得困难

Answer 1

由于大量的rdd都包含许多元素，因此这种方法根本不起作用，因为最大的内置元组仍然是Tuple22。如果你加入同类RDD某种类型的序列：

def joinAndMerge(rdd1: RDD[(Int, Seq[Int])], rdd2: RDD[(Int, Seq[Int])]) = 
  rdd1.join(rdd2).mapValues{ case (x, y) => x ++ y }

Seq(rdd1, rdd2, rdd3).map(_.mapValues(Seq(_))).reduce(joinAndMerge)

如果你只有三个RDD，那么使用cogroup会更干净：

rdd1.cogroup(rdd2, rdd3)
  .flatMapValues { case (xs, ys, zs) => for {
    x <- xs; y <- ys; z <- zs 
  } yield (x, y, z) }

如果值是异质的，那么使用DataFrames更有意义：

def joinByKey(df1: DataFrame, df2: DataFrame) = df1.join(df2, Seq("k"))

Seq(rdd1, rdd2, rdd3).map(_.toDF("k", "v")).reduce(joinByKey)