Question

我想使用Tuple2<byte[], obj>的RDD对，但具有相同内容的byte[]被视为不同的值，因为它们的参考值不同。

我没有看到任何传递自定义比较器。我可以使用明确的字符集将byte[]转换为String，但我想知道是否有更有效的方法。

Answer 1

自定义比较器不足，因为Spark使用对象的hashCode来组织分区中的键。（至少HashPartitioner会这样做，你可以提供一个可以处理数组的自定义分区器）

包装数组以提供正确的equals和hashCode应解决此问题。一个轻量级的包装器可以解决这个问题：

class SerByteArr(val bytes: Array[Byte]) extends Serializable {
    override val hashCode = bytes.deep.hashCode
    override def equals(obj:Any) = obj.isInstanceOf[SerByteArr] && obj.asInstanceOf[SerByteArr].bytes.deep == this.bytes.deep
}

快速测试：

import scala.util.Random
val data = (1 to 100000).map(_ => Random.nextInt(100).toString.getBytes("UTF-8"))
val rdd = sparkContext.parallelize(data)
val byKey = rdd.keyBy(identity)
// this won't work b/c the partitioner does not support arrays as keys
val grouped = byKey.groupByKey
// org.apache.spark.SparkException: Default partitioner cannot partition array keys.

// let's use the wrapper instead   

val keyable = rdd.map(elem =>  new SerByteArr(elem))
val bySerKey = keyable.keyBy(identity)
val grouped = bySerKey.groupByKey
grouped.count
// res14: Long = 100

Answer 2

您可以创建一个包装类并定义自己的相等/比较函数。这可能会稍快一些，因为您不必复制数组（尽管您仍然有对象分配）。

ReduceByKey以字节数组为键

2 个答案: