Spark dataframe reduceByKey

Question

我使用的是Spark 1.5/1.6，我想在DataFrame中执行reduceByKey操作，我不想将df转换为rdd。

每行看起来像，我有多行id1。

id1, id2, score, time

我想有这样的东西：

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

所以，对于每个“id1”，我希望所有记录都列在一个列表中

顺便说一句，我不想将df转换为rdd的原因是，我必须将这个（减少的）数据帧连接到另一个数据帧，并且我正在对连接键进行重新分区，这使得它更快，我想rdd也不能这样做

任何帮助都将不胜感激。

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分区器：

 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)

如果不指定分区程序，则如下所示：

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

然后，你注意到的行为就会发生——也就是说，会发生完全的洗牌。这是因为将使用HashPartitioner。