按特定顺序合并多个RDD

Question

我正在尝试按特定顺序将多个RDD的字符串合并到RDD行中。我试图创建一个Map[String, RDD[Seq[String]]]（其中Seq只包含一个元素），然后将它们合并到一个RDD[Row[String]]，但它似乎不起作用（内容RDD[Seq[String]]丢失）。有人有什么想法吗？

val t1: StructType 
val mapFields: Map[String, RDD[Seq[String]]] 
var ordRDD: RDD[Seq[String]] = context.emptyRDD 
t1.foreach(field => ordRDD = ordRDD ++ mapFiels(field.name)) 
val rdd = ordRDD.map(line => Row.fromSeq(line)) 

编辑： 使用压缩功能导致火花例外，因为我的RDDS没有相同数量的每个分区元素。我不知道如何确保它们在每个分区中都具有相同数量的元素，因此我只是使用索引对它们进行压缩，然后使用ListMap以良好顺序加入它们。也许有一个关于mapPartitions函数的技巧，但我还不够了解Spark API。

val mapFields: Map[String, RDD[String]] 
var ord: ListMap[String, RDD[String]] = ListMap() 
t1.foreach(field => ord = ord ++ Map(field.name -> mapFields(field.name))) 
// Note : zip = SparkException: Can only zip RDDs with same number of elements in each partition 
//val rdd: RDD[Row] = ord.toSeq.map(_._2.map(s => Seq(s))).reduceLeft((rdd1, rdd2) => rdd1.zip(rdd2).map{ case (l1, l2) => l1 ++ l2 }).map(Row.fromSeq) 
val zipRdd = ord.toSeq.map(_._2.map(s => Seq(s)).zipWithIndex().map{ case (d, i) => (i, d) }) 
val concatRdd = zipRdd.reduceLeft((rdd1, rdd2) => rdd1.join(rdd2).map{ case (i, (l1, l2)) => (i, l1 ++ l2)}) 
val rowRdd: RDD[Row] = concatRdd.map{ case (i, d) => Row.fromSeq(d) } 
val df1 = spark.createDataFrame(rowRdd, t1) 

Answer 1

这里的关键是使用RDD.zip为“拉链”的RDDS在一起（创建RDD其中每个记录是记录在ELL RDDS同一指数的组合）：

import org.apache.spark.sql._ 
import org.apache.spark.sql.types._ 

// INPUT: Map does not preserve order (not the defaul implementation, at least) - using Seq 
val rdds: Seq[(String, RDD[String])] = Seq(
    "field1" -> sc.parallelize(Seq("a", "b", "c")), 
    "field2" -> sc.parallelize(Seq("1", "2", "3")), 
    "field3" -> sc.parallelize(Seq("Q", "W", "E")) 
) 

// Use RDD.zip to zip all RDDs together, then convert to Rows 
val rowRdd: RDD[Row] = rdds 
    .map(_._2) 
    .map(_.map(s => Seq(s))) 
    .reduceLeft((rdd1, rdd2) => rdd1.zip(rdd2).map { case (l1, l2) => l1 ++ l2 }) 
    .map(Row.fromSeq) 

// Create schema using the column names: 
val schema: StructType = StructType(rdds.map(_._1).map(name => StructField(name, StringType))) 

// Create DataFrame: 
val result: DataFrame = spark.createDataFrame(rowRdd, schema) 

result.show 
// +------+------+------+ 
// |field1|field2|field3| 
// +------+------+------+ 
// |  a|  1|  Q| 
// |  b|  2|  W| 
// |  c|  3|  E| 
// +------+------+------+