Spark数据帧reduceByKey

Question

我正在使用Spark 1.5 / 1.6，我想在DataFrame中执行reduceByKey操作，我不想将df转换为rdd。

每一行看起来都像id1那样有多行。

id1, id2, score, time

我希望有类似的东西：

id1, [ (id21, score21, time21) , ((id22, score22, time22)) , ((id23, score23, time23)) ]

因此，对于每个“id1”，我想要列表中的所有记录

顺便说一下，之所以不想将df转换为rdd是因为我必须将这个（简化的）数据帧加入另一个数据帧，而我正在对连接键进行重新分区，这使得它更快，我想用rdd

做同样的事情

任何帮助将不胜感激。

Answer 1

要简单地保留已经实现的分区，请在reduceByKey调用中重新使用父RDD分区：

 val rdd = df.toRdd
 val parentRdd = rdd.dependencies(0) // Assuming first parent has the 
                                     // desired partitioning: adjust as needed
 val parentPartitioner = parentRdd.partitioner
 val optimizedReducedRdd = rdd.reduceByKey(parentPartitioner, reduceFn)

如果您不指定分区程序如下：

 df.toRdd.reduceByKey(reduceFn)  // This is non-optimized: uses full shuffle

然后你会注意到的行为 - 即发生完全洗牌。这是因为会改为使用HashPartitioner。