spark伪集合
尽管RDD本身不是严格意义上的集合,但它也支持许多数学上的集合操作,比如合并和相交操作
distinct
distinct用于去重,我们生成的RDD可能有重复元素,使用distinct方法可以去掉重读的元素,不过此方法涉及到混洗,操作开销很大
scala版本:
val RDD = sc.parallelize(List("aa", "aa", "bb", "cc", "dd"))
val distinctRDD = RDD.collect()
distinctRDD.foreach(println)
java版本
List<String> strings = Arrays.asList("aa", "aa", "bb", "cc", "dd");
JavaRDD<String> strRDD = sc.parallelize(strings);
JavaRDD<String> distinctRDD = strRDD.distinct();
List<String> collect = distinctRDD.collect();
for (String s : collect) {
System.out.println(s);
}
union
两个RDD进行合并
scala版本
val RDD1 = sc.parallelize(List("aa", "aa", "bb", "cc", "dd"))
val RDD2