[英]Spark Scala Delete rows in one RDD based on columns of another RDD
我對scala和spark非常陌生,不確定如何開始。
我有一個RDD看起來像這樣:
1,2,3,11
2,1,4,12
1,4,5,13
3,5,6,12
另一個看起來像這樣:
2,1
1,2
我想過濾第一個RDD,以便它將刪除與第二個RDD的前兩列匹配的所有行。 輸出應如下所示:
1,4,5,13
3,5,6,12
// input rdds
val rdd1 = spark.sparkContext.makeRDD(Seq((1,2,3,11), (2,1,3,12), (1,4,5,13), (3,5,6,12)))
val rdd2 = spark.sparkContext.makeRDD(Seq((1,2), (2,1)))
// manipulate the 2 rdds as a key, val pair
// the key of the first rdd is a tuple pair of first two fields, the val contains all the fields
// the key of the second rdd is a tuple of first two fields, the val is just null
// then we could perform joins on their key
val rdd1_key = rdd1.map(record => ((record._1, record._2), record))
val rdd2_key = rdd2.map(record => (record, null))
// 1. perform left outer join, the record become (key, (val1, val2))
// 2. filter, keep those records which do not have a join
// if there is no join, val2 will be None, otherwise val2 will be null, which is the value we hardcoded from previous step
// 3. get val1
rdd1_key.leftOuterJoin(rdd2_key)
.filter(record => record._2._2 == None)
.map(record => record._2._1)
.collect().foreach(println(_))
// result
(1,4,5,13)
(3,5,6,12)
謝謝
我個人更喜歡dataframe/dataset
方式,因為它們是rdd
優化形式,具有更多內置函數,並且與傳統數據庫相似。
以下是dataframe
方式:
第一步是將兩個rdds
都轉換為dataframes
import sqlContext.implicits._
val df1 = rdd1.toDF("col1", "col2", "col3", "col4")
val df2 = rdd2.toDF("col1", "col2")
第二步是在dataframe2
添加新column
以過濾條件檢查
import org.apache.spark.sql.functions._
val tempdf2 = df2.withColumn("check", lit("check"))
最后一步將是join
兩個dataframes
, filter
和drop
了不必要的rows
和columns
。
val finalDF = df1.join(tempdf2, Seq("col1", "col2"), "left")
.filter($"check".isNull)
.drop($"check")
您應該具有最終dataframe
為
+----+----+----+----+
|col1|col2|col3|col4|
+----+----+----+----+
|3 |5 |6 |12 |
|1 |4 |5 |13 |
+----+----+----+----+
現在,您可以使用finalDF.rdd
轉換為rdd
,也可以繼續使用dataframe
本身進行進一步處理。
我希望答案是有幫助的
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.