software - spark scala tutorial

Cómo aplanar una colección con Spark/Scala?

Question

En Scala puedo aplanar una colección usando:

val array = Array(List("1,2,3").iterator,List("1,4,5").iterator)
                                                  //> array  : Array[Iterator[String]] = Array(non-empty iterator, non-empty itera
                                                  //| tor)


    array.toList.flatten                      //> res0: List[String] = List(1,2,3, 1,4,5)

Pero, ¿cómo puedo hacer algo similar en Spark?

Al leer el API doc http://spark.apache.org/docs/0.7.3/api/core/index.html#spark.RDD no parece haber un método que proporcione esta funcionalidad.

Answer 1

Pruebe flatMap con una función de mapa de identidad ( y => y ):

scala> val x = sc.parallelize(List(List("a"), List("b"), List("c", "d")))
x: org.apache.spark.rdd.RDD[List[String]] = ParallelCollectionRDD[1] at parallelize at <console>:12

scala> x.collect()
res0: Array[List[String]] = Array(List(a), List(b), List(c, d))

scala> x.flatMap(y => y)
res3: org.apache.spark.rdd.RDD[String] = FlatMappedRDD[3] at flatMap at <console>:15

scala> x.flatMap(y => y).collect()
res4: Array[String] = Array(a, b, c, d)

Answer 2

Utilice flatMap y la identity Predef , esto es más legible que usando x => x , por ejemplo

myRdd.flatMap(identity)