合并两个RDD Spark Spark Scala，保持右侧

Question

我有两个Spark数据框，结构如下。 如使用sqlContext之前阅读的。

 itens.columns (scala command) 
 Array[String] = Array(id_location,id_item, name, price)

 rdd1 
 [1,1,item A,10]
 [1,2,item b,12]
 [1,3,item c,12]

 rdd2
 [1,2,item b,50]
 [1,4,item c,12]
 [1,5,item c,12]

我想要基于组合键（id_location，id_item）的以下结果

 [1,1,item A,10]
 [1,2,item b,50]
 [1,3,item c,12]
 [1,4,item c,12]
 [1,5,item c,12]

因此，我想要一个具有不同iten的结果（关于组合键），但是当我在两个rdds中找到具有相同键的记录时，我只想保留rdd2中的记录。

有人有这种要求吗？

我正在使用Spark和Scala。

最好的问候拉斐尔。

Answer 1

我是Spark的新手，所以可能有更好的方法，但是您是否可以映射到一对RDD（基于您的复合键），然后执行fullOuterJoin，仅使用结果数据中“左”边和“右”边都有数据吗？

粗糙的伪代码：

val pairRdd1 = rdd1 map {
  line => 
    (line(0)+line(1), line)
}

val pairRdd2 = rdd2 map {
  line => 
    (line(0)+line(1), line)
}

val joined = pairRdd1.fullOuterJoin(pairRdd2)

joined map {
  (id, left, right) =>
    right.getOrElse(left.get)
}

如果我早上有时间，我将尝试结合一个可行的例子。 希望有帮助！

Answer 2

@Steven有正确的想法。 您需要将数据集映射到键值对，然后执行外部outerjoin

val rdd1 = sc.parallelize(List((1,1,"item A",10),(1,2,"item b",12),(1,3,"item c",12)))
val rdd2 = sc.parallelize(List((1,2,"item b",50),(1,4,"item c",12),(1,5,"item c",12)))

val rdd1KV = rdd1.map{case(id_location,id_item, name, price) => ((id_location, id_item), (name, price))}
val rdd2KV = rdd2.map{case(id_location,id_item, name, price) => ((id_location, id_item), (name, price))}

val joined = rdd1KV.fullOuterJoin(rdd2KV)

val res = joined.map{case((id_location, id_item),(leftOption, rightOption)) =>
    val values = rightOption.getOrElse(leftOption.get)
    (id_location, id_item, values._1, values._2)
}

这将为您提供所需的结果。

Answer 3

看起来@Steven的回答在逻辑上是不错的，但是如果您的数据没有很多相交的元素（即完整的外部联接将产生巨大的数据集），则可能会遇到问题。 您还使用了DataFrames，因此对于可以通过DataFrames API完成的任务而言，转换为RDD然后再转换为DataFrames似乎过多。 我将在下面介绍如何执行此操作。

让我们从一些示例数据开始（从您的示例中获取）：

val rdd1 = sc.parallelize(Array((1,1,"item A",10), (1,2,"item b",12), (1,3,"item c",12)))
val rdd2 = sc.parallelize(Array((1,2,"item b",50), (1,4,"item c",12), (1,5,"item c",12)))

接下来，我们可以在单独的列别名下将它们转换为DataFrames。 在这里，我们在df1和df2使用了不同的别名，因为当我们最终连接这两个DataFrame时，可以更容易地编写后续的select（如果有一种方法可以在连接后标识列的来源，则没有必要）。 请注意，两个DataFrame的并集都包含要过滤的行。

val df1 = rdd1.toDF("id_location", "id_item", "name", "price")
val df2 = rdd2.toDF("id_location_2", "id_item_2", "name_2", "price_2")

// df1.unionAll(df2).show()
// +-----------+-------+------+-----+
// |id_location|id_item|  name|price|
// +-----------+-------+------+-----+
// |          1|      1|item A|   10|
// |          1|      2|item b|   12|
// |          1|      3|item c|   12|
// |          1|      2|item b|   50|
// |          1|      4|item c|   12|
// |          1|      5|item c|   12|
// +-----------+-------+------+-----+

在这里，我们首先将键上的两个DataFrames连接在一起，它们是df1和df2的前两个元素。 然后，我们通过选择行（基本上来自df1 ）来创建另一个DataFrame，其中存在来自df2具有相同联接键的行。 之后，我们在df1上运行except，以从先前创建的DataFrame中删除所有行。 这可以看作是一个补充，因为我们基本上要做的是从df1中删除所有行，而df2存在相同的行("id_location", "id_item") 。 最后，我们将补码与df2结合在一起以生成输出DataFrame。

val df_joined = df1.join(df2, (df1("id_location") === df2("id_location_2")) && (df1("id_item") === df2("id_item_2")))
val df1_common_keyed = df_joined.select($"id_location", $"id_item", $"name", $"price")
val df1_complement = df1.except(df1_common_keyed)
val df_union = df1_complement.unionAll(df2)

// df_union.show()
// +-----------+-------+------+-----+
// |id_location|id_item|  name|price|
// +-----------+-------+------+-----+
// |          1|      3|item c|   12|
// |          1|      1|item A|   10|
// |          1|      2|item b|   50|
// |          1|      4|item c|   12|
// |          1|      5|item c|   12|
// +-----------+-------+------+-----+

同样，就像@Steven所建议的那样，您可以通过将DataFrames转换为RDD并与其一起运行来使用RDD API。 如果这是您要执行的操作，则以下是使用上面的subtractByKey()和输入RDD来完成所需操作的另一种方法：

val keyed1 = rdd1.keyBy { case (id_location, id_item, _, _) => (id_location, id_item) }
val keyed2 = rdd2.keyBy { case (id_location, id_item, _, _) => (id_location, id_item) }
val unionRDD = keyed1.subtractByKey(keyed2).values.union(rdd2)

// unionRDD.collect().foreach(println)
// (1,1,item A,10)
// (1,3,item c,12)
// (1,2,item b,50)
// (1,4,item c,12)
// (1,5,item c,12)