Spark：列表的交集不起作用

Question

我有以下形式的RDD：

t1-> (Long, List[Long])

和表格清單

 t2-> List[Long]

我需要執行列表的並集和交集。 我正在嘗試以下代碼：

val t1 = a.map(x => (x._1, (List(x._2)))).reduceByKey(_ ++ _) 
val t2 = b.map(x => (x._1, (List(x._2)))).reduceByKey(_ ++ _).map(x => x._2).collect()
val t3intersect = t1.map(x => (x._1, (x._2.intersect(t2))))
val t3union = t1.map(x => (x._1, (x._2.union(t2))))

盡管union返回正確的結果，但交集始終為空列表。 我無法識別問題。 請幫忙！ 謝謝！

這是一個例子：

(1, List(1596, 1617, 1929, 2399, 2674))
(2, List(1702, 1785, 1933, 2054, 2583, 2913))
(3, List(1982, 2002, 2048, 2341, 2666))

和

List(2002, 2399)

這應該返回交集：

(1, List(2399))
(2, List())
(3, List(2002))

和聯合：

(1, List(1596, 1617, 1929, 2399, 2674, 2002))
(2, List(1702, 1785, 1933, 2054, 2583, 2913, 2002, 2399))
(3, List(1982, 2002, 2048, 2341, 2666, 2399))

Answer 1

您的交叉碼對我來說還不錯。 它應該工作。 也可以嘗試這樣做，以提高清晰度和性能：

val t3intersect = t1.mapValues( _ intersect t2 )

編輯 ：我不知道什么是a和b ，以及從它們那里獲取t1和t2的邏輯是什么，但是為了進行測試，如果您在Spark REPL中按以下方式初始化t1和t2 ：

scala> val t1 = sc.parallelize( List(
     | (1, List(1596, 1617, 1929, 2399, 2674)),
     | (2, List(1702, 1785, 1933, 2054, 2583, 2913)),
     | (3, List(1982, 2002, 2048, 2341, 2666)) ), 2)
t1: org.apache.spark.rdd.RDD[(Int, List[Int])] = ParallelCollectionRDD[10] at parallelize at <console>:12

scala> val t2 = List(2002, 2399)
t2: List[Int] = List(2002, 2399)

然后，您將獲得預期的結果：

scala> val tr = t1.mapValues( _ intersect t2 )
tr: org.apache.spark.rdd.RDD[(Int, List[Int])] = MappedValuesRDD[12] at mapValues at <console>:16

scala> tr.collect()
res13: Array[(Int, List[Int])] = Array((1,List(2399)), (2,List()), (3,List(2002)))

因此，請注意其他地方的錯誤。

Answer 2

我轉載了您的有問題的案例，如下所示：

object ItersectionList {

  def main(args: Array[String]) {
    val spConf = new SparkConf().setMaster("local[2]").setAppName("ItersectionList")
    val sc = new SparkContext(spConf)

    val a = Array(
      (1, List(1596, 1617, 1929, 2399, 2674)),
      (2, List(1702, 1785, 1933, 2054, 2583, 2913)),
      (3, List(1982, 2002, 2048, 2341, 2666))
    )

    val t2 = List(2002, 2399)

    val t1 = sc.makeRDD(a).map(x => (x._1, (List(x._2)))).reduceByKey(_ ++ _)
    val t3intersect = t1.map(x => (x._1, (x._2.intersect(t2))))
    val t3union = t1.map(x => (x._1, (x._2.union(t2))))

    t3intersect.foreach(println)
    t3union.foreach(println)

  }
}

結果如下：

Intersection:
(2,List())
(1,List())
(3,List())

Union: 
(2,List(List(1702, 1785, 1933, 2054, 2583, 2913), 2002, 2399))
(1,List(List(1596, 1617, 1929, 2399, 2674), 2002, 2399))
(3,List(List(1982, 2002, 2048, 2341, 2666), 2002, 2399))

我發現它是問題List(x._2)在map(x => (x._1, (List(x._2)))).reduceByKey(_ ++ _)這改變了List(a, b, c)到List(List(a, b, c)) 。 由於List(List(a, b, c))與List(a, b, c)不匹配，因此交集將為null。 您可以按以下方式刪除List() ，結果將是正確的。

 val t1 = sc.makeRDD(a).map(x => (x._1, x._2)).reduceByKey(_ ++ _)

要么

 val t1 = sc.makeRDD(a).reduceByKey(_ ++ _)