如何确定对象是否是PySpark中的有效键值对

Question

1. 如果我有一个rdd,我怎么理解数据是关键:值格式？有没有办法找到相同的东西 - 像类型(对象)这样的东西告诉我一个对象的类型.我试过了print type(rdd.take(1)),但它只是说<type 'list'>.
2. 假设我有一个类似的数据(x,1),(x,2),(y,1),(y,3),我使用 groupByKey并得到了(x,(1,2)),(y,(1,3)).有没有一种方法来定义 (1,2),并(1,3)为其中x和y键的值？或者密钥必须是单个值吗？我注意到,如果我使用reduceByKey和sum函数来获取数据,((x,3),(y,4))那么将这些数据定义为键值对变得更加容易

Answer 1

Python是一种动态类型化的语言，PySpark对键，值对不使用任何特殊类型。将对象视为PairRDD操作的有效数据的唯一要求是可以按以下方式解压缩对象：

k, v = kv

通常，tuple由于其语义（固定大小的不可变对象）和与Scala Product类的相似性，您将使用两个元素。但这只是一个约定，没有什么可以阻止您执行以下操作：

key_value.py

class KeyValue(object):
    def __init__(self, k, v):
        self.k = k
        self.v = v
    def __iter__(self):
       for x in [self.k, self.v]:
           yield x

from key_value import KeyValue

rdd = sc.parallelize(
    [KeyValue("foo", 1), KeyValue("foo", 2), KeyValue("bar", 0)]) 

rdd.reduceByKey(add).collect()
## [('bar', 0), ('foo', 3)]

并使任意类的行为类似于键值。因此，如果可以将某事物正确地解压缩为一对对象，那么它就是有效的键值。实现方法__len__和__getitem__魔术方法也应该起作用。处理此问题的最优雅的方法可能是使用namedtuples。

还type(rdd.take(1))返回一个listlength，n因此其类型将始终相同。