我想使用 RDD 对 Tuple2<byte[], obj>
,但是byte[]
内容相同的s被认为是不同的值,因为它们的引用值不同。
我没有看到任何要传递给自定义比较器的东西。我可以转换 byte[]
进入 String
使用显式字符集,但我想知道是否有更有效的方法。
最佳答案
自定义比较器是不够的,因为 Spark 使用对象的 hashCode
来组织分区中的键。 (至少 HashPartitioner 会这样做,你可以提供一个可以处理数组的自定义分区器)
包装数组以提供适当的 equals
和 hashCode
应该可以解决这个问题。
轻量级包装器应该可以解决问题:
class SerByteArr(val bytes: Array[Byte]) extends Serializable {
override val hashCode = bytes.deep.hashCode
override def equals(obj:Any) = obj.isInstanceOf[SerByteArr] && obj.asInstanceOf[SerByteArr].bytes.deep == this.bytes.deep
}
快速测试:
import scala.util.Random
val data = (1 to 100000).map(_ => Random.nextInt(100).toString.getBytes("UTF-8"))
val rdd = sparkContext.parallelize(data)
val byKey = rdd.keyBy(identity)
// this won't work b/c the partitioner does not support arrays as keys
val grouped = byKey.groupByKey
// org.apache.spark.SparkException: Default partitioner cannot partition array keys.
// let's use the wrapper instead
val keyable = rdd.map(elem => new SerByteArr(elem))
val bySerKey = keyable.keyBy(identity)
val grouped = bySerKey.groupByKey
grouped.count
// res14: Long = 100
关于apache-spark - ReduceByKey 以字节数组为键,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/30785615/