Spark 2.2.0 API：我应该选择使用Groupby与aggregate相结合的数据集，还是使用ReduceBykey的RDD

Question

大家好，首先，根据标题，有人可能会说这个问题已经得到了回答，但我的观点是比较特定于数据集和RDD API的RedueBykey、GroupBykey性能。我在许多帖子中看到，RedueBykey方法的性能比GroupByKey更有效，当然我同意这一点。尽管如此，我有点困惑，我无法弄清楚如果我们使用数据集或RDD，这些方法的行为如何。每种情况下应该使用哪一个？

我会尽量说得更具体一些，因此我会提供我的问题和解决方案以及工作代码，我会在您方便的时候尽早向我提出改进建议。

+---+------------------+-----+
|id |Text1             |Text2|
+---+------------------+-----+
|1  |one,two,three     |one  |
|2  |four,one,five     |six  |
|3  |seven,nine,one,two|eight|
|4  |two,three,five    |five |
|5  |six,five,one      |seven|
+---+------------------+-----+

这里的重点是检查第二个哥伦布的每一行是否包含第三个哥伦布，然后收集它们的所有ID。例如，第三列的单词“one”出现在第二列的句子中，ID为1、5、2、3。

+-----+------------+
|Text2|Set         |
+-----+------------+
|seven|[3]         |
|one  |[1, 5, 2, 3]|
|six  |[5]         |
|five |[5, 2, 4]   |
+-----+------------+

这是我的工作代码

List<Row> data = Arrays.asList(
                RowFactory.create(1, "one,two,three", "one"),
                RowFactory.create(2, "four,one,five", "six"),
                RowFactory.create(3, "seven,nine,one,two", "eight"),
                RowFactory.create(4, "two,three,five", "five"),
                RowFactory.create(5, "six,five,one", "seven")
        );

        StructType schema = new StructType(new StructField[]{
                new StructField("id", DataTypes.IntegerType, false, Metadata.empty()),
                new StructField("Text1", DataTypes.StringType, false, Metadata.empty()),
                new StructField("Text2", DataTypes.StringType, false, Metadata.empty())
        });

        Dataset<Row> df = spark.createDataFrame(data, schema);
        df.show(false);
        Dataset<Row> df1 = df.select("id", "Text1")
                .crossJoin(df.select("Text2"))
                .filter(col("Text1").contains(col("Text2")))
                .orderBy(col("Text2"));

        df1.show(false);

        Dataset<Row> df2 = df1
                .groupBy("Text2")
                .agg(collect_set(col("id")).as("Set"));

        df2.show(false);

我的问题在3个子序列中详细说明：

• 为了提高性能，我是否需要在RDD中转换数据集并生成ReduceBykey而不是数据集groupby

Answer 1

TL；DR两者都不好，但如果您使用的是数据集，请继续使用数据集。

Dataset.groupBy如果与合适的函数一起使用，则行为类似于还原ByKey。不幸的是，collect_set的行为非常类似于groupByKey，如果重复次数很少。用还原ByKey重写它不会改变任何事情。

如果你能给出一个更有效的替代解决方案，我将不胜感激

您所能做的就是删除CrossJoin：

val df = Seq((1, "one,two,three", "one"),
  (2, "four,one,five", "six"),
  (3, "seven,nine,one,two", "eight"),
  (4, "two,three,five", "five"),
  (5, "six,five,one", "seven")).toDF("id", "text1", "text2")

df.select(col("id"), explode(split(col("Text1"), ",")).alias("w"))
  .join(df.select(col("Text2").alias("w")), Seq("w"))
  .groupBy("w")
  .agg(collect_set(col("id")).as("Set")).show

+-----+------------+
|    w|         Set|
+-----+------------+
|seven|         [3]|
|  one|[1, 5, 2, 3]|
|  six|         [5]|
| five|   [5, 2, 4]|
+-----+------------+