连接两个RDD [String] -Spark Scala

Question

我有两个RDDS：

rdd1 [String,String,String]: Name, Address, Zipcode
rdd2 [String,String,String]: Name, Address, Landmark 

我正在尝试使用以下功能加入这两个RDD： rdd1.join(rdd2)
但是我遇到一个错误：
error: value fullOuterJoin is not a member of org.apache.spark.rdd.RDD[String]

联接应该联接RDD [String]，并且输出RDD应该类似于：

rddOutput : Name,Address,Zipcode,Landmark

最后，我想将这些文件另存为JSON文件。

有人可以帮我吗？

Answer 1

如评论中所述，必须在加入之前将RDD转换为PairRDD，这意味着每个RDD必须为RDD[(key, value)] 。 只有这样，您才能通过键执行联接。 在您的情况下，密钥由（名称，地址）组成，因此您将必须执行以下操作：

// First, we create the first PairRDD, with (name, address) as key and zipcode as value:
val pairRDD1 = rdd1.map { case (name, address, zipcode) => ((name, address), zipcode) }
// Then, we create the second PairRDD, with (name, address) as key and landmark as value:
val pairRDD2 = rdd2.map { case (name, address, landmark) => ((name, address), landmark) }

// Now we can join them. 
// The result will be an RDD of ((name, address), (zipcode, landmark)), so we can map to the desired format:
val joined = pairRDD1.fullOuterJoin(pairRDD2).map { 
  case ((name, address), (zipcode, landmark)) => (name, address, zipcode, landmark) 
}

Spark的Scala API文档中有关PairRDD函数的更多信息