GroupByKey con datasets en Spark 2.0 usando Java

apache-spark group-by

Question

Tengo un conjunto de datos que contiene datos como los siguientes:

|c1| c2|
---------
| 1 | a |
| 1 | b |
| 1 | c |
| 2 | a |
| 2 | b |

...

Ahora, quiero agrupar los datos de la siguiente manera (col1: String Key, col2: List) :

| c1| c2 |
-----------
| 1 |a,b,c|
| 2 | a, b|
...

Pensé que usar goupByKey sería una solución suficiente, pero no puedo encontrar ningún ejemplo de cómo usarlo.

¿Alguien puede ayudarme a encontrar una solución usando groupByKey o usando cualquier otra combinación de transformaciones y acciones para obtener esta salida utilizando datasets, no RDD?

Answer 1

Con un DataFrame en Spark 2.0:

scala> val data = List((1, "a"), (1, "b"), (1, "c"), (2, "a"), (2, "b")).toDF("c1", "c2")
data: org.apache.spark.sql.DataFrame = [c1: int, c2: string]
scala> data.groupBy("c1").agg(collect_list("c2")).collect.foreach(println)
[1,WrappedArray(a, b, c)]
[2,WrappedArray(a, b)]

Answer 2

Aquí está Spark 2.0 y el ejemplo de Java con Dataset.

public class SparkSample {
    public static void main(String[] args) {
    //SparkSession
    SparkSession spark = SparkSession
            .builder()
            .appName("SparkSample")
            .config("spark.sql.warehouse.dir", "/file:C:/temp")
            .master("local")
            .getOrCreate();     
    //input data
    List<Tuple2<Integer,String>> inputList = new ArrayList<Tuple2<Integer,String>>();
    inputList.add(new Tuple2<Integer,String>(1, "a"));
    inputList.add(new Tuple2<Integer,String>(1, "b"));
    inputList.add(new Tuple2<Integer,String>(1, "c"));
    inputList.add(new Tuple2<Integer,String>(2, "a"));
    inputList.add(new Tuple2<Integer,String>(2, "b"));          
    //dataset
    Dataset<Row> dataSet = spark.createDataset(inputList, Encoders.tuple(Encoders.INT(), Encoders.STRING())).toDF("c1","c2");
    dataSet.show();     
    //groupBy and aggregate
    Dataset<Row> dataSet1 = dataSet.groupBy("c1").agg(org.apache.spark.sql.functions.collect_list("c2")).toDF("c1","c2");
    dataSet1.show();
    //stop
    spark.stop();
  }
}

Answer 3

Esto leerá la tabla en la variable del conjunto de datos

Dataset<Row> datasetNew = dataset.groupBy("c1").agg(functions.collect_list("c2"));
datasetNew.show()