我有一个rdd,其中有3个字段,如下所述。
1,2,6
2,4,6
1,4,9
3,4,7
2,3,8
现在,从上面的rdd,我想得到下面的rdd。
2,4,6
3,4,7
2,3,8
结果rdd没有以1开头的行,因为1不在输入rdd的第二个字段中。
好的,如果我正确理解你想做什么,有两种方法:
-
将您的
RDD
一分为二,其中第一个RDD包含"第二个字段"的唯一值,第二个RDD以"第一个值"为键。然后把rdd连在一起。这种方法的缺点是CCD_ 2和CCD_。val r: RDD[(String, String, Int)] = sc.parallelize(Seq( ("1", "2", 6), ("2", "4", 6), ("1", "4", 9), ("3", "4", 7), ("2", "3", 8) )) val uniqueValues: RDD[(String, Unit)] = r.map(x => x._2 -> ()).distinct val r1: RDD[(String, (String, String, Int))] = r.map(x => x._1 -> x) val result: RDD[(String, String, Int)] = r1.join(uniqueValues).map {case (_, (x, _)) => x} result.collect.foreach(println)
-
如果您的RDD相对较小,并且第二个值的
Set
可以完全适合所有节点的内存,那么您可以在内存中创建该集合作为第一步,将其广播到所有节点,然后只过滤您的RDD:val r: RDD[(String, String, Int)] = sc.parallelize(Seq( ("1", "2", 6), ("2", "4", 6), ("1", "4", 9), ("3", "4", 7), ("2", "3", 8) )) val uniqueValues = sc.broadcast(r.map(x => x._2).distinct.collect.toSet) val result: RDD[(String, String, Int)] = r.filter(x => uniqueValues.value.contains(x._1)) result.collect.foreach(println)
两个示例输出:
(2,4,6)
(2,3,8)
(3,4,7)