Spark嵌套RDD操作

Question

我有两个RDD说

   rdd1 = 
id            | created     | destroyed | price   
1            | 1            | 2            | 10        
2            | 1            | 5            | 11       
3            | 2            | 3            | 11        
4            | 3            | 4            | 12        
5            | 3            | 5            | 11       

rdd2 =

[1,2,3,4,5] # lets call these value as timestamps (ts)

RDD2基本上是使用范围（intial_value、end_value、间隔）生成的。这里的参数可以变化。大小可以与rdd1相同或不同。这个想法是基于使用过滤Criertia的rdd2值将记录从rdd1提取到rdd2（rdd1的记录可以在提取时重复，正如您在输出中看到的那样）

过滤条件rdd1。创建

预期产出：

ts             | prices  
1              | 10,11       # i.e. for ids 1,2 of rdd1      
2              | 11,11       # ids 2,3
3              | 11,12,11    # ids 2,4,5 
4              | 11,11       # ids 2,5

现在我想根据一些使用RDD2键的条件过滤RDD1。（如上所述）并返回将RDD2的键与RDD1的过滤结果连接起来的结果

所以我这样做：

rdd2.map(lambda x : somefilterfunction(x, rdd1))  

def somefilterfunction(x, rdd1):
    filtered_rdd1 = rdd1.filter(rdd1[1] <= x).filter(rdd1[2] > x)
    prices = filtered_rdd1.map(lambda x : x[3])
    res = prices.collect()
    return (x, list(res))

我得到：

异常：似乎您正试图广播RDD或从操作或转换引用RDD。RDD转换和操作只能由驱动程序调用，不能在其他转换内部调用；例如，rdd1.map（lambda x：rdd2.values.count（）*x）无效，因为值转换和计数操作不能在rdd1.map转型。有关详细信息，请参阅SPARK-5063。

我尝试使用groupBy，但由于这里rdd1的元素可以重复一次又一次，与分组相比，我理解分组会将rdd1的每个元素只在某个特定的插槽中组合一次。

现在唯一的方法是使用一个普通的for循环并进行过滤，最后连接所有内容。

有什么建议吗？

Answer 1

由于您使用常规范围，因此根本没有理由创建第二个RDD。您可以简单地为每个记录生成特定范围内的值：

from __future__ import division # Required only for Python 2.x
from math import ceil
from itertools import takewhile

rdd1 = sc.parallelize([
    (1, 1, 2, 10),        
    (2, 1, 5, 11),       
    (3, 2, 3, 11),        
    (4, 3, 4, 12),        
    (5, 3, 5, 11),  
])


def generate(start, end, step):
    def _generate(id, created, destroyed, price):
        # Smallest ts >= created
        start_for_record = int(ceil((created - start) / step) * step + start)
        rng = takewhile(
            lambda x: created <= x < destroyed,
            xrange(start_for_record, end, step)) # In Python 3.x use range
        for i in rng:
            yield i, price

    return _generate

result = rdd1.flatMap(lambda x: generate(1, 6, 1)(*x)).groupByKey()

结果：

result.mapValues(list).collect()

## [(1, [10, 11]), (2, [11, 11]), (3, [11, 12, 11]), (4, [11, 11])]