K-V型RDD的算子-join算子

2023-01-27 00:40:02 943 阅读 AI 写同款 · GEO 优化AI 选题数据监测一键分发 ›

Spark RDD中两种算子之一：常见Transformation算子小结 RDD：弹性分布式数据集，是一种特殊集合，支持多来源，有容错机制，可以被缓存，支持并行操作，一个RDD代表多个分区里的数据集。 RDD有两种算子： 1.Transformation（转换）：属于延迟Lazy计算，当一个RDD转换成另一个RDD时并没有立即进行转换，仅仅是记住数据集的逻辑操作； 2.Action（执行）：触发Spark作业运行，真正触发转换算子的计算； RDD中算子的运行过程：输入... 阅读详情

join算子是对两个K-V型RDD按照K值做连接操作，生成一个新的K-V型RDD。新RDD中仅包含两个源RDD中同时存在的K，新RDD中的V是由两个源RDD的V组成的二元组。join算子的定义如下：

def join(
    self: "RDD[Tuple[K, V]]",
    other: "RDD[Tuple[K, U]]",
    numPartitions: Optional[int] = None,
) -> "RDD[Tuple[K, Tuple[V, U]]]"

案例：

rdd1 = sc.parallelize(["Hello Python", "Hello Spark You", "Hello Python Spark", "You know PySpark"])
# 从RDD1中筛选包含单词Spark的元素构造一个K-V型RDD：(单词, 词频)
rdd2 = rdd1.filter(lambda x: "Spark" in x.split(" ")).flatMap(lambda x: x.split(" ")).map(lambda x: (x, 1)).reduceByKey(lambda a, b: a + b)
# 从RDD1中筛选不含单词Spark的元素构造一个K-V型RDD：(单词, 单词长度)
rdd3 = rdd1.filter(lambda x: "Spark" not in x.split(" ")).flatMap(lambda x: x.split(" ")).map(lambda x: (x, len(x))).reduceByKey(lambda a, b: a)

rdd4 = rdd2.join(rdd3)

print("RDD2的数据是：", rdd2.collect())
print("RDD3的数据是：", rdd3.collect())
print("RDD4的数据是：", rdd4.collect())