如果modulelookup
和brandlookup
都比较小,你可以将这些播放变量和使用映射如下:
val modulelookupBD = sc.broadcast(modulelookup.collectAsMap)
val brandlookupBD = sc.broadcast(brandlookup.collectAsMap)
def description(list:Array[String]): Array[String] = list.map(x => {
val module = modulelookupBD.value.getOrElse(x.take(4), "")
val brand = brandlookupBD.value.getOrElse(x.drop(4), "")
s"$module $brand"
})
val printRDD = outputRDD.map{case (xs, y) => (description(xs), y)}
如果不是有处理这种没有效率的方式。您可以尝试使用flatMap
,join
和groupByKey
,但对于任何大型数据集,此组合可能过于昂贵。
val indexed = outputRDD.zipWithUniqueId
val flattened = indexed.flatMap{case ((xs, _), id) => xs.map(x => (x, id))}
val withModuleAndBrand = flattened
.map(xid => (xid._1.take(4), xid))
.join(modulelookup)
.values
.map{case ((x, id), module) => (x.drop(4), (id, module))}
.join(brandlookup)
.values
.map{case ((id, module), brand) => (id, s"$module $brand")}
.groupByKey
val final = withModuleAndBrand.join(
indexed.map{case ((_, y), id) => (id, y)}
).values
使用DataFrame替换RDD可以减少样板代码,但性能仍然存在问题。
这是一个彻底的答案。谢谢。 – user1050325