如何獲取scala Apache rdd [row]中前一行的值？

Question

我需要遍歷RDD [Row]時從上一行或下一行獲取價值

(10,1,string1)
(11,1,string2)
(21,1,string3)
(22,1,string4)

我需要對第一個值之間的差不大於3的行的字符串求和。第二個值是ID。 因此結果應為：

(1, string1string2)
(1, string3string4)

我嘗試使用groupBy，reduce，進行分區，但仍然無法實現所需的功能。

我正在嘗試做這樣的事情（我知道這是不正確的方式）：

rows.groupBy(row => {
      row(1)
    }).map(rowList => {
      rowList.reduce((acc, next) => {
        diff = next(0) - acc(0)
        if(diff <= 3){
          val strings = acc(2) + next(2)
          (acc(1), strings)
        }else{
          //create new group to aggregatre strings
          (acc(1), acc(2))
        }
      })
    })

我想知道我的想法是否適合解決這個問題。 尋求幫助！

Answer 1

我認為您可以使用sqlContext通過使用lag函數解決問題

創建RDD：

val rdd = sc.parallelize(List(
(10, 1, "string1"),
(11, 1, "string2"),
(21, 1, "string3"),
(22, 1, "string4"))
)

創建數據框：

val df = rdd.map(rec => (rec._1.toInt, rec._2.toInt, rec._3.toInt)).toDF("a", "b", "c")

注冊您的數據框：

df.registerTempTable("df")

查詢結果：

val res = sqlContext.sql("""
SELECT CASE WHEN l < 3 THEN ROW_NUMBER() OVER (ORDER BY b) - 1
ELSE ROW_NUMBER() OVER (ORDER BY b)
END m, b, c 
FROM (
SELECT b,
(a - CASE WHEN lag(a, 1) OVER (ORDER BY a) is not null
THEN lag(a, 1) OVER (ORDER BY a)
ELSE 0
END) l, c
FROM df) A 
""")

顯示結果：

res.show

我希望這將有所幫助。