根据key合并两个rdd有四种方式

根据key合并两个rdd有四种方式：

1.用SparkSQL进行join

2.用双重循环连接两个rdd

3.用rdd的join方法，如下所示，合并的key不能是Tuple

4.rdd中的元素仍然是键值对，只不过值是scala对象

 

Array中装的是Tuple，是键值对，建和值都是String类型

 

// 键是String类型，值是Tuple类型

val rdd1 = sc.makeRDD(Array(("1", ("Spark", "beijing")), ("2", ("Hadoop", "shanghai"))), 2)​

// 下面的写法是错误的，值如果是一个容器，就要用括弧圈起来

val rdd1 = sc.makeRDD(Array(("1", "Spark", "beijing"), ("2", "Hadoop", "shanghai")), 2)​

 

rdd进行join的key是String等基础数据类型，不能是Tuple等容器类

如果需要根据两个字段进行join，可以把两个字段连接起来作为一个新的字符串

package com.cheetah.offline

import java.io.File

import org.apache.hadoop.conf.Configuration
import org.apache.hadoop.fs.{FileSystem, Path}
import org.apache.spark.{SparkConf, SparkContext}

import scala.collection.mutable.HashMap
import scala.reflect.io.Directory


object RDDJoin {
  val conf = new SparkConf().setMaster("local[*]").setAppName("qichecount")
  var sc: SparkContext = null

  def main(args: Array[String]) {

    val conf = new SparkConf().setAppName("SparkRDDJoinOps").setMaster("local[4]")
    val sc = new SparkContext(conf)
    // 第一种写法Array(Tuple(String, Tuple))
    val rdd1 = sc.makeRDD(Array(("1", ("Spark", "beijing")), ("2", ("Hadoop", "shanghai"))), 2)

    // 注意键如果是Tuple是不行的，如下
//    val rdd1 = sc.makeRDD(Array((("1001","type1"), ("Spark", "beijing")), (("1002", "type2"), ("Hadoop", "shanghai"))), 2)

    // 创建rdd的另一种写法
//    val idName = sc.parallelize(Array((1, "zhangsan"), (2, "lisi"), (3, "wangwu")))

    val rdd2 = sc.makeRDD(Array(("1", "30K"), ("2", "15K"), ("3", "25K"), ("5", "10K")), 2)

    println("//下面做Join操作，预期要得到（1,×）、（2,×）、（3,×）")
    val joinRDD = rdd1.join(rdd2).collect.foreach(println)
    println("//下面做leftOutJoin操作，预期要得到（1,×）、（2,×）、（3,×）、(4,×）")
    val leftJoinRDD = rdd1.leftOuterJoin(rdd2).collect.foreach(println)
    println("//下面做rightOutJoin操作，预期要得到（1,×）、（2,×）、（3,×）、(5,×）")
    val rightJoinRDD = rdd1.rightOuterJoin(rdd2).collect.foreach(println)

    sc.stop()
  }
}