apache-spark - 在地图操作中发出多对

Question

假设我有一排电话记录格式：

[CallingUser, ReceivingUser, Duration]

如果我想知道给定用户在电话上的总时间（用户是呼叫用户或接收用户的持续时间总和）。

实际上，对于给定的记录，我想创建 2 对(CallingUser, Duration)和(ReceivingUser, Duration).

最有效的方法是什么？我可以将 2 加RDDs在一起，但我不清楚这是否是一个好方法：

#Sample Data:
callData = sc.parallelize([["User1", "User2", 2], ["User1", "User3", 4], ["User2", "User1", 8]  ])


calls = callData.map(lambda record: (record[0], record[2]))

#The potentially inefficient map in question:
calls += callData.map(lambda record: (record[1], record[2]))


reduce = calls.reduceByKey(lambda a, b: a + b)

Answer 1

你想要平面地图。如果您编写一个返回列表的函数，[(record[0], record[2]),(record[1],record[2])]那么您可以对其进行平面映射！

Answer 2

使用 flatMap() 可以很好地获取单个输入并生成多个映射输出。完成代码：

callData = sc.parallelize([["User1", "User2", 2], ["User1", "User3", 4], ["User2", "User1", 8]])

calls = callData.flatMap(lambda record: [(record[0], record[2]), (record[1], record[2])])
print calls.collect()
# prints [('User1', 2), ('User2', 2), ('User1', 4), ('User3', 4), ('User2', 8), ('User1', 8)]

reduce = calls.reduceByKey(lambda a, b: a + b)
print reduce.collect()
# prints [('User2', 10), ('User3', 4), ('User1', 14)]