我有一个从 HBase 转换而来的 RDD:
val hbaseRDD: RDD[(String, Array[String])] 其中 tuple._1 是行键。数组是HBase中的值。
4929101-ACTIVE, ["4929101","2015-05-20 10:02:44","dummy1","dummy2"]
4929102-ACTIVE, ["4929102","2015-05-20 10:02:44","dummy1","dummy2"]
4929103-ACTIVE, ["4929103","2015-05-20 10:02:44","dummy1","dummy2"]
我还有一个 SchemaRDD (id,date1,col1,col2,col3) 转换为
val refDataRDD: RDD[(String, Array[String])] 我将对其进行迭代并检查它是否存在于 hbaseRDD 中:
4929103, ["2015-05-21 10:03:44","EV01","col2","col3"]
4929104, ["2015-05-21 10:03:44","EV02","col2","col3"]
问题是,
如何检查 hbaseRDD 中是否存在键 (tuple._1)/("4929103") 并获取相应的值 (tuple._2)? - 我不能在 rdd.filter 中使用 PairRDD 的查找函数,它会抛出“scala.MatchError: null”,但它在外部有效
val filteredRDD = rdd.filter(sqlRow => { val hbaseLookup = hbaseRDD.lookup(sqlRow(0).toString + "-ACTIVE") // if found, check if date1 of hbaseRDD < sqlRow(1) // else if not found, retain row true })
不过我不确定这是否是问题所在,因为当我将查找行切换到以下位置时我也遇到了 NPE:
val sqlRowHbase = hbaseRDD.filter(row => {
注意:我在这些行之前执行 hbaseRDD.count。并且 hbaseRDD.lookup 在 rdd.filter 之外工作正常
所以基本上,我试图在 hbaseRDD 中按键“查找”并获取行/值。加入它们有点复杂,因为两个 RDD 中的某些值可能为空。这取决于很多场景,哪些行会保留哪些数据。
最佳答案
假设您需要查找的 a_id 集合包含在 RDD 中,我认为您可以使用 leftOuterJoin 而不是迭代和查找每个值。
我在上面看到了您关于 date1 的潜在可变位置的评论。不过,我没有在下面解决它,我认为这应该在查找本身之前通过每行的某种特定映射来处理。
如果我得到正确的伪代码,你有一个 (id, date)
的 RDD 并且想通过在 hbase 中查找数据来更新它,如果在 hbase 中找到一行则更新日期对于这个 id,如果它的日期早于 refData 中的日期。对吗?
如果是这样,假设你有一些像这样的引用数据:
val refData = sc.parallelize(Array(
("4929103","2015-05-21 10:03:44"),
("4929104","2015-05-21 10:03:44")
))
还有一些来自 Hbase 的行数据:
val hbaseRDD = sc.parallelize(Array(
("4929101-ACTIVE", Array("4929101","2015-05-20 10:02:44")),
("4929102-ACTIVE", Array("4929102","2015-05-20 10:02:44")),
("4929103-ACTIVE", Array("4929103","2015-05-20 10:02:44"))
))
然后您可以使用简单的 leftOuterJoin 将 refData 中的每个 id 查找到 hbase 中,对于找到的每一行:如有必要,更新日期:
refData
// looks up in Hbase all rows whose date1 a_id value matches the id in searchedIds
.leftOuterJoin(hbaseRDD.map{ case (rowkey, Array(a_id, date1)) => (a_id, date1)})
// update the date in refData if date from hBase is earlier
.map { case (rowKey, (refDate, maybeRowDate)) => ( rowKey, chooseDate (refDate, maybeRowDate)) }
.collect
def chooseDate(refDate: String, rowDate: Option[String]) = rowDate match {
// if row not found in Hbase: keep ref date
case None => refDate
case Some(rDate) =>
if (true) /* replace this by first parsing the date, then check if rowDate < refDate */
rowDate
else
refDate
}
关于scala - Spark RDD 按键查找,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/30421484/