在自定义函数上加入两个 RDD - SPARK

Question

是否可以通过自定义函数在 Spark 中连接两个 RDD？我有两个以字符串作为键的大 RDD。我想加入他们，而不是使用经典的加入，而是使用自定义函数，如：

def my_func(a,b):
    return Lev.distance(a,b) < 2

result_rdd = rdd1.join(rdd2, my_func)

如果不可能，是否有任何替代方案可以继续利用 spark 集群的优势？我写了类似这样的东西，但是 pyspark 将无法在我的小集群上分发工作。

def custom_join(rdd1, rdd2, my_func):
    a = rdd1.sortByKey().collect()
    b = rdd2.sortByKey().collect()
    i = 0
    j = 0
    res = []
    while i < len(a) and j < len(b):
        if my_func(a[i][0],b[j][0]):
            res += [((a[i][0],b[j][0]),(a[i][1],b[j][1]))]
            i+=1
            j+=1
        elif a[i][0] < b[j][0]:
            i+=1
        else:
            j+=1

    return sc.parallelize(res)

提前致谢（抱歉我的英语不好，因为我是意大利人）

Answer 1

您可以使用笛卡尔坐标，然后根据条件进行过滤。

from pyspark.sql import SparkSession
spark = SparkSession.builder.getOrCreate()
sc = spark.sparkContext
x = sc.parallelize([("a", 1), ("b", 4)])
y = sc.parallelize([("a", 2), ("b", 3)])

def customFunc(x):
    # You may use any condition here
    return x[0][0] ==x[1][0]

print(x.join(y).collect()) # normal join
# replicating join with cartesian
print(x.cartesian(y).filter(customFunc).flatMap(lambda x:x).groupByKey().mapValues(tuple).collect())

输出：

[('b', (4, 3)), ('a', (1, 2))]
[('a', (1, 2)), ('b', (4, 3))]

在自定义函数上加入两个 RDD - SPARK

Join two RDDs on custom function - SPARK

python

join

cluster-computing

apache-spark

pyspark