Spark RDD基本转换-优快云博客

本文链接：https://blog.youkuaiyun.com/SuperBoy_Liang/article/details/89351049

本文深入解析了Spark中RDD的三种关键操作：Union、Intersection和Subtract的功能与用法。通过示例代码展示了如何使用这些操作来处理数据集，包括合并、求交集和差集的过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

union、intersection、subtract

union

def union(other: RDD[T]): RDD[T]

该函数比较简单，就是将两个RDD进行合并，不去重。

scala> var rdd1 = sc.makeRDD(Seq(1,2,2,3))
rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[0] at makeRDD at <console>:27
scala> var rdd2 = sc.makeRDD(3 to 4)
rdd2: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[1] at makeRDD at <console>:27
scala> rdd1.union(rdd2).collect
res7: Array[Int] = Array(1, 2, 2, 3, 3, 4)

intersection

def intersection(other: RDD[T]): RDD[T]
def intersection(other: RDD[T], numPartitions: Int): RDD[T]
def intersection(other: RDD[T], partitioner: Partitioner)(implicit ord: Ordering[T] = null): RDD[T]

该函数返回两个RDD的交集，并且去重。
参数numPartitions指定返回的RDD的分区数。
参数partitioner用于指定分区函数

scala> rdd1.intersection(rdd2).collect
res8: Array[Int] = Array(3)

subtract

def subtract(other: RDD[T]): RDD[T]
def subtract(other: RDD[T], numPartitions: Int): RDD[T]
def subtract(other: RDD[T], partitioner: Partitioner)(implicit ord: Ordering[T] = null): RDD[T]

该函数类似于intersection，但返回在RDD中出现，并且不在otherRDD中出现的元素，不去重。
参数含义同intersection

scala> rdd1.subtract(rdd2).collect
res9: Array[Int] = Array(1, 2, 2)