Если modulelookup
и brandlookup
относительно малы вы можете преобразовать их транслировать переменные и использовать для отображения следующим образом:
val modulelookupBD = sc.broadcast(modulelookup.collectAsMap)
val brandlookupBD = sc.broadcast(brandlookup.collectAsMap)
def description(list:Array[String]): Array[String] = list.map(x => {
val module = modulelookupBD.value.getOrElse(x.take(4), "")
val brand = brandlookupBD.value.getOrElse(x.drop(4), "")
s"$module $brand"
})
val printRDD = outputRDD.map{case (xs, y) => (description(xs), y)}
Если нет не существует эффективного способа обработки этого. Вы можете попробовать flatMap
, join
и groupByKey
, но для любого большого набора данных эта комбинация может быть непомерно дорогостоящей.
val indexed = outputRDD.zipWithUniqueId
val flattened = indexed.flatMap{case ((xs, _), id) => xs.map(x => (x, id))}
val withModuleAndBrand = flattened
.map(xid => (xid._1.take(4), xid))
.join(modulelookup)
.values
.map{case ((x, id), module) => (x.drop(4), (id, module))}
.join(brandlookup)
.values
.map{case ((id, module), brand) => (id, s"$module $brand")}
.groupByKey
val final = withModuleAndBrand.join(
indexed.map{case ((_, y), id) => (id, y)}
).values
Замена RDD на DataFrames может сократить шаблонный код, но производительность будет оставаться проблемой.
Это один тщательный ответ. Спасибо. – user1050325