python - 基于 Spark 中的另一个 RDD 进行过滤

Question

我只想保留在第二个表中引用了部门 ID 的员工。

Employee table
LastName    DepartmentID
Rafferty    31
Jones   33
Heisenberg  33
Robinson    34
Smith   34

Department table
DepartmentID
31  
33  

我已经尝试了以下不起作用的代码:

employee = [['Raffery',31], ['Jones',33], ['Heisenberg',33], ['Robinson',34], ['Smith',34]]
department = [31,33]
employee = sc.parallelize(employee)
department = sc.parallelize(department)
employee.filter(lambda e: e[1] in department).collect()

Py4JError: An error occurred while calling o344.__getnewargs__. Trace:
py4j.Py4JException: Method __getnewargs__([]) does not exist

有什么想法吗？我在 Python 中使用 Spark 1.1.0。但是，我会接受 Scala 或 Python 的答案。

Answer 1

在这种情况下，您想要实现的是使用 department 表中包含的数据在每个分区进行过滤: 这将是基本的解决方案:

val dept = deptRdd.collect.toSet
val employeesWithValidDeptRdd = employeesRdd.filter{case (employee, d) => dept.contains(d)}

如果您的部门数据很大，广播变量将通过一次将数据传送到所有节点来提高性能，而不必在每个任务中对其进行序列化

val deptBC = sc.broadcast(deptRdd.collect.toSet)
val employeesWithValidDeptRdd = employeesRdd.filter{case (employee, d) => deptBC.value.contains(d)}

虽然使用 join 可行，但这是一个非常昂贵的解决方案，因为它需要对数据进行分布式洗牌 (byKey) 才能实现连接。鉴于需求是一个简单的过滤器，将数据发送到每个分区(如上所示)将提供更好的性能。