连接两个数据集Spark Scala

Question

我有两个csv文件（数据集）file1和file2。

File1包含以下列：

Orders | Requests | Book1  | Book2
Varchar| Integer  | Integer| Integer

File2包含以下列：

Book3 | Book4 | Book5  | Orders
String| String| Varchar| Varchar

如何在Scala中将数据合并到两个CSV文件中以进行检查：

• 多少
  • 每个订单的两个文件中都存在订单，Book1（忽略值为1的Book1），Book3和Book4
  • 注意：列顺序在两个文件中都是通用的

Answer 1

您可以通过配对RDD加入两个csv。

  val rightFile = job.patch.get.file
  val rightFileByKeys = sc.textFile(rightFile).map { line =>
    new LineParser(line, job.patch.get.patchKeyIndex, job.delimRegex, Some(job.patch.get.patchValueIndex))
  }.keyBy(_.getKey())

  val leftFileByKeys = sc.textFile(leftFile).map { line =>
    new LineParser(line, job.patch.get.fileKeyIndex, job.delimRegex)
  }.keyBy(_.getKey())

  leftFileByKeys.join(rightFileByKeys).map { case (key, (left, right)) =>
    (job, left.line + job.delim + right.getValue())
  }