替换 RDD 的一些元素答案

【问题标题】：Replace some elements of an RDD替换 RDD 的一些元素
【发布时间】：2016-02-11 04:26:12
【问题描述】：

我有这个文件，其中包含 A、B、C 三种类型的数据。我只想根据某些条件用其他 RDD（称为 RDD2）的元素替换此 RDD 的 A 类元素（称为 RDD1）。RDD1 和 RDD2 有一些共同的字符串。

文件结构[RDD[String]]

1 A 2   
2 B 12 13 4
2 C 67 29  
2 A 5

RDD2 [RDD[行]]

1 A 2 5 6
2 A 5 7 8

我正在过滤第一个 RDD 并向其附加一些字符串以创建 RDD2。

我知道 RDD 是不可变的，但由于 map 函数不接受参数。我想知道是否有办法实现这一点。

编辑：（考虑到下面的 cmets）

样本输出 RDD[Any]

1 A 2 5 6
2 B 12 13 4
2 C 67 29
2 A 5 7 8

【问题讨论】：

你能给出这个示例输出吗？
@MukrramRahman '1 A 2 5 6' '2 B 12 13 4' '2 C 67 29' '2 A 5 7 8'
你的 RDD 的类型是什么，我的意思是它是 RDD[Row] 或 RDD[String] 还是别的什么？
RDD1 属于 RDD[string] 类型，RDD2 属于 RDD[row] 类型，我想将输出 RDD 导出到文本文件中。我认为一旦我们有了最终 RDD（任何类型）。
目前我能想到的唯一解决方案是对 RDD2 和 RDD3 执行联合操作（过滤掉 B 和 C 类型）。

标签： scala apache-spark rdd

【解决方案1】：

您应该考虑在您的 RDD 中使用更合适和更明确的数据结构，例如 (key, value) 对的 RDD。

然后您可以利用密钥在 RDD1 和 RDD2 之间执行“a la SQL”连接。我相信这就是Gabber 上面已经在做的事情，但是使用了 Scala 语法糖的全部功能。

以更明确的方式：你的初始RDD，如Gabber：

val rdd1 = sc.parallelize(Seq(List("1", "A", "2"), List("2", "B", "12", "13", "4"), List("2", "C", "67", "29"), List("2", "A", "5")))
val rdd2 = sc.parallelize(Seq(List("1", "A", "2", "5", "6"), List("2", "A", "5", "7", "8")))

然后使用映射创建（键，值）对的RDD，其中键将用于满足您的匹配条件（您的键似乎在您的示例中是前两个元素，例如（1，A））

val rdd1KeyValue = rdd1.map(row => ((row(0),row(1)), row)
val rdd2KeyValue = rdd2.map(row => ((row(0),row(1)), row))

现在，由于您要对键为“A”的值执行“连接”，并留下其他不匹配的值，因此这是一个 SQL 左外连接。所以：

val resultRaw = rdd1KeyValue.leftOuterJoin(rdd2KeyValue)

但 resultRaw 现在是这样的：

((2,C),(List(2, C, 67, 29),None))
((1,A),(List(1, A, 2),Some(List(1, A, 2, 5, 6))))
((2,B),(List(2, B, 12, 13, 4),None))
((2,A),(List(2, A, 5),Some(List(2, A, 5, 7, 8))))

因此，要获取最终结果，您需要再次映射以“选择”您需要的内容（._1 运算符是获取 (key,value) 对的第一个值）：

val resFinal = result.map(row => row._2._2.getOrElse(row._2._1))

就我而言，最终结果是：

List(1, A, 2, 5, 6)
List(2, B, 12, 13, 4)
List(2, A, 5, 7, 8)
List(2, C, 67, 29)

【讨论】：

【解决方案2】：

它对我有用

val rdd1 = sc.parallelize(Seq(List("1", "A", "2"), List("2", "B", "12", "13", "4"), List("2", "C", "67", "29"), List("2", "A", "5")))
val rdd2 = sc.parallelize(Seq(List("1", "A", "2", "5", "6"), List("2", "A", "5", "7", "8")))
rdd1.map(row =>//where row(0), row(1) is your condition
  ((row(0), row(1)), row)).leftOuterJoin(rdd2.map(row =>
  ((row(0), row(1)), row))).map(row => {
  row._2._2.getOrElse(row._2._1)
}).foreach(println)

【讨论】：