如何确定对象是否是PySpark中的有效键值对

Question

1. 如果我有rdd，我如何理解数据为key：value格式？有没有办法找到相同的东西-像type（object）告诉我对象的类型。我试过了print type(rdd.take(1))，但这只是说<type 'list'>。
2. 假设我有一个类似的数据(x,1),(x,2),(y,1),(y,3)，我使用 groupByKey和得到了(x,(1,2)),(y,(1,3))。有没有一种方法可以将x和y定义 为键(1,2)和(1,3)值？还是键必须是单个值？我注意到，如果我使用reduceByKey和sum函数来获取数据，((x,3),(y,4))那么将这些数据定义为键值对变得容易得多

Answer 1

Python是一种动态类型化的语言，PySpark对键，值对不使用任何特殊类型。将对象视为PairRDD操作的有效数据的唯一要求是可以按以下方式解压缩对象：

k, v = kv

通常，tuple由于其语义（固定大小的不可变对象）和与ScalaProduct类的相似性，您将使用两个元素。但这只是一个约定，没有什么可以阻止您执行以下操作：

key_value.py

class KeyValue(object):
    def __init__(self, k, v):
        self.k = k
        self.v = v
    def __iter__(self):
       for x in [self.k, self.v]:
           yield x



from key_value import KeyValue

rdd = sc.parallelize(
    [KeyValue("foo", 1), KeyValue("foo", 2), KeyValue("bar", 0)])

rdd.reduceByKey(add).collect()
## [('bar', 0), ('foo', 3)]

并使任意类的行为类似于 键值 。因此，如果可以将某事物正确地解压缩为一对对象，那么它就是有效的 键值
。实现方法__len__和__getitem__魔术方法也应该起作用。处理此问题的最优雅的方法可能是使用namedtuples。

还type(rdd.take(1))返回一个listlength，n因此其类型将始终相同。