spark常用RDD算子 - distinct,union,intersection,subtract,cartesian

distinct

distinct用于去重, 我们生成的RDD可能有重复元素,使用distinct方法可以去掉重复元素, 不过此方法涉及到混洗,操作开销很大 

JavaRDD<String> RDD1 = javaSparkContext.parallelize(Arrays.asList("aa", "aa", "bb", "cc", "dd"));
JavaRDD<String> distinctRDD = RDD1.distinct();
List<String> collect = distinctRDD.collect();

---------输出----------
aa, dd, bb, cc



union

两个RDD进行合并不会去重

JavaRDD<String> RDD1 = javaSparkContext.parallelize(Arrays.asList("aa", "aa", "bb", "cc", "dd"));
JavaRDD<String> RDD2 = javaSparkContext.parallelize(Arrays.asList("aa","dd","ff"));

JavaRDD<String> unionRDD = RDD1.union(RDD2);
List<String> collect = unionRDD.collect();

-----------输出---------
aa, aa, bb, cc, dd, aa, dd, ff


 

intersection

RDD1.intersection(RDD2) 返回两个RDD的交集,并且去重 
intersection 需要混洗数据,比较浪费性能 

JavaRDD<String> RDD1 = javaSparkContext.parallelize(Arrays.asList("aa", "aa", "bb", "cc", "dd"));
JavaRDD<String> RDD2 = javaSparkContext.parallelize(Arrays.asList("aa","dd","ff"));
JavaRDD<String> intersectionRDD = RDD1.intersection(RDD2);
List<String> collect = intersectionRDD.collect();

-------------输出-----------
aa dd


 

subtract

RDD1.subtract(RDD2),返回在RDD1中出现,但是不在RDD2中出现的元素,不去重 

JavaRDD<String> RDD1 = javaSparkContext.parallelize(Arrays.asList("aa", "aa", "bb","cc", "dd"));
JavaRDD<String> RDD2 = javaSparkContext.parallelize(Arrays.asList("aa","dd","ff"));

JavaRDD<String> subtractRDD = RDD1.subtract(RDD2);
List<String> collect = subtractRDD.collect();

------------输出-----------------
bb  cc 


 

cartesian

RDD1.cartesian(RDD2) 返回RDD1和RDD2的笛卡儿积这个开销非常大

JavaRDD<String> RDD1 = javaSparkContext.parallelize(Arrays.asList("1", "2", "3"));
JavaRDD<String> RDD2 = javaSparkContext.parallelize(Arrays.asList("a","b","c"));
JavaPairRDD<String, String> cartesian = RDD1.cartesian(RDD2);

List<Tuple2<String, String>> collect1 = cartesian.collect();
for (Tuple2<String, String> tp:collect1) {
    System.out.println("("+tp._1+" "+tp._2+")");
}

------------输出-----------------
(1 a)
(1 b)
(1 c)
(2 a)
(2 b)
(2 c)
(3 a)
(3 b)
(3 c)

 

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值