我是Apache Spark的新手,正在学习基本功能。 有一个小小的怀疑。假设我有一个元组的RDD(键,值),并希望从它们中获得一些独特的元组。我使用distinct()函数。我想知道函数在什么基础上认为元组是不同的..?它是基于键或值还是两者?Distinct()函数在Spark中如何工作?
回答
为RDD.distinct() API文档只提供一个一句话描述:
“返回一个新的RDD包含此RDD的不同的元素。”
根据最近的经验,我可以告诉你,在一个元组-RDD中,元组作为一个整体被考虑。
如果你想不同的键或不同的值,然后根据你想要完成什么,你可以:
A.呼叫groupByKey()
改造{(k1,v11),(k1,v12),(k2,v21),(k2,v22)}
到{(k1,[v11,v12]), (k2,[v21,v22])}
;或
B.通过调用keys()
或values()
其次distinct()
去掉无论是键或值到本文截稿时(2015年6月),加州大学伯克利分校+ EDX运行免费的在线课程Introduction to Big Data and Apache Spark这将在提供手练习这些功能。
distinct
使用hashCode
和equals
方法确定对象。元组内置了平等机制,将其分解为每个对象的平等和位置。因此,distinct
将对整个Tuple2
对象起作用。正如Paul指出的那样,您可以拨打keys
或values
,然后拨打distinct
。或者你可以通过aggregateByKey
编写自己独特的值,这将保持密钥配对。或者如果你想要不同的密钥,那么你可以使用常规的aggregate
谢谢!说得通。 –
.distinct()肯定是在跨分区进行洗牌。要查看更多情况,请在RDD上运行.toDebugString。
val hashPart = new HashPartitioner(<number of partitions>)
val myRDDPreStep = <load some RDD>
val myRDD = myRDDPreStep.distinct.partitionBy(hashPart).setName("myRDD").persist(StorageLevel.MEMORY_AND_DISK_SER)
myRDD.checkpoint
println(myRDD.toDebugString)
其中,用于RDD例如我有(myRDDPreStep已经由密钥散列分区,由StorageLevel.MEMORY_AND_DISK_SER依然存在,检查点),则返回:
(2568) myRDD ShuffledRDD[11] at partitionBy at mycode.scala:223 [Disk Memory Serialized 1x Replicated]
+-(2568) MapPartitionsRDD[10] at distinct at mycode.scala:223 [Disk Memory Serialized 1x Replicated]
| ShuffledRDD[9] at distinct at mycode.scala:223 [Disk Memory Serialized 1x Replicated]
+-(2568) MapPartitionsRDD[8] at distinct at mycode.scala:223 [Disk Memory Serialized 1x Replicated]
| myRDDPreStep ShuffledRDD[6] at partitionBy at mycode.scala:193 [Disk Memory Serialized 1x Replicated]
| CachedPartitions: 2568; MemorySize: 362.4 GB; TachyonSize: 0.0 B; DiskSize: 0.0 B
| myRDD[7] at count at mycode.scala:214 [Disk Memory Serialized 1x Replicated]
注意,有可能更有效特别是如果您的RDD已经以智能方式进行了分区并且分区不会过度倾斜,那么您可以采取各种方法来减少混洗。
见Is there a way to rewrite Spark RDD distinct to use mapPartitions instead of distinct? 和 Apache Spark: What is the equivalent implementation of RDD.groupByKey() using RDD.aggregateByKey()?
它看起来像distinct
将摆脱(键,值)重复。
在下面的示例(1,20)和(2,20)在myRDD
中重复两次,但在distinct()
之后,删除了重复项。
scala> val myRDD = sc.parallelize(List((1,20), (1,21), (1,20), (2,20), (2,22), (2,20), (3,21), (3,22)))
myRDD: org.apache.spark.rdd.RDD[(Int, Int)] = ParallelCollectionRDD[1274] at parallelize at <console>:22
scala> myRDD.collect().foreach(println _)
(1,20)
(1,21)
(1,20)
(2,20)
(2,22)
(2,20)
(3,21)
(3,22)
scala> myRDD.distinct.collect().foreach(println _)
(2,22)
(1,20)
(3,22)
(2,20)
(1,21)
(3,21)
Justin Pihony是对的.Distinct使用hashCode和equals方法确定对象。它的返回不同元素(对象)
val rdd = sc.parallelize(List((1,20), (1,21), (1,20), (2,20), (2,22), (2,20), (3,21), (3,22)))
鲜明
rdd.distinct.collect().foreach(println)
(2,22)
(1,20)
(3,22)
(2,20)
(1,21)
(3,21)
如果你想申请的关键区别。 在这种情况下减少是更好的选择
ReduceBy
val reduceRDD= rdd.map(tup =>
(tup._1, tup)).reduceByKey { case (a, b) => a }.map(_._2)
reduceRDD.collect().foreach(println)
输出: -
(2,20)
(1,20)
(3,21)
- 1. Distinct()如何工作?
- 2. Spark Streaming:mapWithState函数如何在集群中工作?
- 3. Apache Spark - 异常处理如何在映射函数中工作
- 4. SELECT DISTINCT在MySQL中如何工作?
- 5. MySQL DISTINCT函数无法正常工作
- 6. DISTINCT如何在内部工作?
- 7. VectorSlicer如何在Spark 2.0中工作?
- 8. AWS lambda函数提交spark工作
- 9. DISTINCT不工作
- 10. spark sc.textfile如何工作?
- 11. 如何在Spark工作器上调试映射函数中的错误?
- 12. max()函数在Jython中如何工作?
- 13. dist函数在MATLAB中如何工作?
- 14. scanf函数在C中如何工作?
- 15. malloc函数如何在C中工作?
- 16. 在Swift中,forEach函数如何工作
- 17. rem函数如何在matlab中工作
- 18. scanf函数如何在C中工作?
- 19. LN()函数如何在Excel中工作?
- 20. EOF函数如何在c中工作?
- 21. prop.table()函数如何在r中工作?
- 22. SQL的DISTINCT子句如何工作?
- 23. spark的HiveContext如何在内部工作?
- 24. Spark:如何在Dataframe API中转换count(distinct(value))
- 25. SELECT DISTINCT不工作
- 26. (Django)如何使用distinct()函数?
- 27. 函数内部函数如何工作?
- 28. recv函数如何工作-winsock函数
- 29. 循环在函数外工作,但在函数中不工作。
- 30. 箭头函数如何在构造函数中工作?
保罗嗨!假设我们有一个RDD元组如下: (1,20),(1,21),(1,20),(2,20),(2,22),(2,20),( 3,21),(3,22)..等, 在这里你可以观察到键和值都在各种元组中重复。 因此,如果我在上述RDD上应用distinct(),结果是什么? 请花点时间。谢谢! 而且,是的,我在线上课! :) –
我现在没时间了,但是你可以用'myRDD = sc.parallelize([(1,20),(1,21),(1,20),(2,20) ),(2,22),(2,20),(3,21),(3,22)]);'这甚至可以在Spark课程的其中一个实验室笔记本中工作。然后运行'myRDD.distinct()。collect()来测试输出' – Paul