Zapisywanie RDD do wielu plików w PySpark

Question

Mam rdd, który zawiera pary wartości kluczy. Są tylko 3 klucze i chciałbym napisać wszystkie elementy dla danego klucza do pliku tekstowego. Obecnie robię to w 3 przejściach, ale chciałem zobaczyć, czy mógłbym to zrobić za jednym razem.

Oto co mam do tej pory:

# I have an rdd (called my_rdd) such that a record is a key value pair, e.g.: 
# ('data_set_1','value1,value2,value3,...,value100') 

my_rdd.cache() 
my_keys = ['data_set_1','data_set_2','data_set_3'] 
for key in my_keys: 
    my_rdd.filter(lambda l: l[0] == key).map(lambda l: l[1]).saveAsTextFile(my_path+'/'+key) 

to działa, jednak buforowanie i iteracja go trzy razy może być procesem długotrwałym. Zastanawiam się, czy istnieje sposób na jednoczesne zapisanie wszystkich trzech plików?

Answer 1

Alternatywne podejście za pomocą dostosowanego partycjonowania (która partycja zbioru danych przed piśmie do pliku wyjściowego, w porównaniu z podejściem przewidzianym przez Def_Os)

na przykład:
RDD[(K, W)].partitionBy(partitioner: Partitioner)

class CustmozedPartitioner extends Partitioner { 

    override def numPartitions: Int = 4 

    override def getPartition(key: Any): Int = { 
    key match { 
     case "data_set_1" => 0 
     case "data_set_2" => 1 
     case "data_set_3" => 2 
     case _ => 3 
    } 
    } 
}