使用Scala在Apache Spark中连接不同RDD的数据集

Question

有没有办法在Spark中串联两个不同RDD的数据集？

要求是-我使用具有相同列名的scala创建两个中间RDD，需要将两个RDD的这些结果组合在一起并缓存该结果以访问UI。 如何在此处合并数据集？

RDD的类型为spark.sql.SchemaRDD

Answer 1

我认为您正在寻找RDD.union

val rddPart1 = ???
val rddPart2 = ???
val rddAll = rddPart1.union(rddPart2)

示例（在Spark-shell上）

val rdd1 = sc.parallelize(Seq((1, "Aug", 30),(1, "Sep", 31),(2, "Aug", 15),(2, "Sep", 10)))
val rdd2 = sc.parallelize(Seq((1, "Oct", 10),(1, "Nov", 12),(2, "Oct", 5),(2, "Nov", 15)))
rdd1.union(rdd2).collect

res0: Array[(Int, String, Int)] = Array((1,Aug,30), (1,Sep,31), (2,Aug,15), (2,Sep,10), (1,Oct,10), (1,Nov,12), (2,Oct,5), (2,Nov,15))

Answer 2

我有同样的问题。 要按行而不是列进行合并，请使用unionAll：

val rddPart1= ???
val rddPart2= ???
val rddAll = rddPart1.unionAll(rddPart2)

我在阅读数据框的方法摘要后找到了它。 有关更多信息， 请访问： https : //spark.apache.org/docs/latest/api/java/org/apache/spark/sql/DataFrame.html