我希望能够使用Tuple2<byte[], obj>
的RDD对进行工作,但是因为它们的引用值不同,拥有相同内容的byte[]
被视为不同的值。
我没有看到任何传递自定义比较器的方法。我可以将byte[]
转换为一个显式字符集的String
,但我想知道是否有更高效的方法。
我希望能够使用Tuple2<byte[], obj>
的RDD对进行工作,但是因为它们的引用值不同,拥有相同内容的byte[]
被视为不同的值。
我没有看到任何传递自定义比较器的方法。我可以将byte[]
转换为一个显式字符集的String
,但我想知道是否有更高效的方法。
自定义比较器是不够的,因为Spark使用对象的hashCode
来组织分区中的键。(至少HashPartitioner会这样做,你可以提供一个自定义分区器来处理数组)
包装数组以提供适当的equals
和hashCode
应该解决问题。一个轻量级的包装器就可以搞定:
class SerByteArr(val bytes: Array[Byte]) extends Serializable {
override val hashCode = bytes.deep.hashCode
override def equals(obj:Any) = obj.isInstanceOf[SerByteArr] && obj.asInstanceOf[SerByteArr].bytes.deep == this.bytes.deep
}
一个快速测试:
import scala.util.Random
val data = (1 to 100000).map(_ => Random.nextInt(100).toString.getBytes("UTF-8"))
val rdd = sparkContext.parallelize(data)
val byKey = rdd.keyBy(identity)
// this won't work b/c the partitioner does not support arrays as keys
val grouped = byKey.groupByKey
// org.apache.spark.SparkException: Default partitioner cannot partition array keys.
// let's use the wrapper instead
val keyable = rdd.map(elem => new SerByteArr(elem))
val bySerKey = keyable.keyBy(identity)
val grouped = bySerKey.groupByKey
grouped.count
// res14: Long = 100