Question

以下是我正在处理的csv文件示例：

life id,policy id,benefit id,date of commencment,status
xx_0,0,0,11/11/2017,active
xx_0,0,0,12/12/2017,active
axb_0,1,0,10/01/2015,active
axb_0,1,0,11/10/2014,active
fxa_2,0,1,01/02/203,active

我想要做的是分组（lifeid + policyid + benefitid）数据并按日期排序，然后将每个组的最近（最后）元素带到做一些控制。

在火花上做这件事的最佳方法是什么？

Answer 1

在spark中执行此操作的最佳方法可能是使用数据框（请参阅How to select the first row of each group?）。但我读到你想避免使用它们。纯RDD解决方案可以编写如下：

val rdd = sc.parallelize(Seq("xx_0,0,0,11/11/2017,active",
    "xx_0,0,0,12/12/2017,active",
    "axb_0,1,0,10/01/2015,active",
    "axb_0,1,0,11/10/2014,active",
    "fxa_2,0,1,01/02/203,active"))

rdd
    .map(_.split(","))
    .map(x=> x.slice(0,3).reduce(_+","+_) -> 
        (new SimpleDateFormat("dd/MM/yyyy").parse(x(3)).getTime, x(4)))
    .reduceByKey((a,b) => if(a._1 > b._1) a else b)
    .map(x=> x._1+","+x._2._1+","+x._2._2)
    .collect.foreach(println)

Group By列和排序csv文件spark

1 个答案: