使用spark的内置函数总是最好的方法。我认为使用collect\u list函数没有问题。只要你有足够的记忆力，这将是最好的方法。优化作业的一种方法是将数据保存为parquet，按列a存储数据并将其保存为表。更好的做法是用一些均匀分布数据的列对其进行分区。
例如，

df_stored = #load your data from csv or parquet or any format'
spark.catalog.setCurrentDatabase(database_name)
df_stored.write.mode("overwrite").format("parquet").partitionBy(part_col).bucketBy(10,"col1").option("path",savepath).saveAsTable(tablename)
df_analysis = spark.table(tablename)
df_aggreg = df_analysis.groupby('col1').agg(F.collect_list(col('col2')))

这将加速聚合并避免大量的洗牌。试试看

加载Dataframe
分组依据 col1 骨料 col2 使用 collect_list ```
import org.apache.spark.sql.functions

object GroupToArray {

def main(args: Array[String]): Unit = {

val spark = Constant.getSparkSess

import spark.implicits._

//Load your dataframe
val df = List(("AA", "11"),
  ("BB", "21"),
  ("AA", "12"),
  ("AA", "13"),
  ("BB", "22"),
  ("CC", "33")).toDF("col1","col2")

//Group by 'col1'
df.groupBy("col1")
  //agregate on col2 and combine it to a list
.agg(functions.collect_list("col2").as("newColumn"))
  .show()

}

}