如何使用reduceByKey代替GroupByKey构造列表？

Question

我的RDD由许多项组成，每个项都是一个元组，如下所示：

(key1, (val1_key1, val2_key1))
(key2, (val1_key2, val2_key2))
(key1, (val1_again_key1, val2_again_key1))
... and so on

我在RDD上使用了GroupByKey，结果为

(key1, [(val1_key1, val2_key1), (val1_again_key1, val2_again_key1), (), ... ()])
(key2, [(val1_key2, val2_key2), (), () ... ())])
... and so on

我需要使用reduceByKey做同样的事情。 我试着做

RDD.reduceByKey(lambda val1, val2: list(val1).append(val2))

但这不起作用。

请提出使用reduceByKey（）实现的正确方法

Answer 1

答案是您不能（或者至少不能以一种直接的Python方式而不滥用语言动态性）。 由于值类型和返回类型不同（元组列表与单个元组列表）， reduce在这里不是有效的函数。 您可以使用combineByKey或aggregateByKey的示例：

rdd = sc.parallelize([
    ("key1", ("val1_key1", "val2_key1")),
    ("key2", ("val1_key2", "val2_key2"))])

rdd.aggregateByKey([], lambda acc, x: acc + [x], lambda acc1, acc2: acc1 + acc2)

但这只是groupByKey一个效率较低的版本。 另请参见groupByKey是否比reduceByKey更受青睐