python - 将 RDD 写入 PySpark 中的多个文件

Question

我有一个包含键值对的 rdd。只有 3 个键，我想将给定键的所有元素写入文本文件。目前我分 3 次完成此操作，但我想看看我是否可以一次完成。

这是我目前所拥有的:

# I have an rdd (called my_rdd) such that a record is a key value pair, e.g.: 
# ('data_set_1','value1,value2,value3,...,value100')

my_rdd.cache()
my_keys = ['data_set_1','data_set_2','data_set_3']
for key in my_keys:
    my_rdd.filter(lambda l: l[0] == key).map(lambda l: l[1]).saveAsTextFile(my_path+'/'+key)

这是有效的，但是缓存它并迭代三次可能是一个漫长的过程。请问有什么方法可以同时写入这三个文件吗？

Answer 1

使用自定义分区器的替代方法(与 Def_Os 提供的方法相比，它在写入输出文件之前对数据集进行分区)

例如:
RDD[(K, W)].partitionBy(partitioner: Partitioner)

class CustmozedPartitioner extends Partitioner {

  override def numPartitions: Int = 4

  override def getPartition(key: Any): Int = {
    key match {
      case "data_set_1" => 0
      case "data_set_2" => 1
      case "data_set_3" => 2
      case _ => 3
    } 
  }
}