Spark算子：RDD基本转换操作(4)–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。

 

1. scala> var rdd1 = sc.makeRDD(1 to 2,1)
2. rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[45] at makeRDD at :21
3.  
4. scala> rdd1.collect
5. res42: Array[Int] = Array(1, 2)
6.  
7. scala> var rdd2 = sc.makeRDD(2 to 3,1)
8. rdd2: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[46] at makeRDD at :21
9.  
10. scala> rdd2.collect
11. res43: Array[Int] = Array(2, 3)
12.  
13. scala> rdd1.union(rdd2).collect
14. res44: Array[Int] = Array(1, 2, 2, 3)
15.  

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

1. scala> var rdd1 = sc.makeRDD(1 to 2,1)
2. rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[45] at makeRDD at :21
3.  
4. scala> rdd1.collect
5. res42: Array[Int] = Array(1, 2)
6.  
7. scala> var rdd2 = sc.makeRDD(2 to 3,1)
8. rdd2: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[46] at makeRDD at :21
9.  
10. scala> rdd2.collect
11. res43: Array[Int] = Array(2, 3)
12.  
13. scala> rdd1.intersection(rdd2).collect
14. res45: Array[Int] = Array(2)
15.  
16. scala> var rdd3 = rdd1.intersection(rdd2)
17. rdd3: org.apache.spark.rdd.RDD[Int] = MapPartitionsRDD[59] at intersection at :25
18.  
19. scala> rdd3.partitions.size
20. res46: Int = 1
21.  
22. scala> var rdd3 = rdd1.intersection(rdd2,2)
23. rdd3: org.apache.spark.rdd.RDD[Int] = MapPartitionsRDD[65] at intersection at :25
24.  
25. scala> rdd3.partitions.size
26. res47: Int = 2
27.  
28.  

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

1. scala> var rdd1 = sc.makeRDD(Seq(1,2,2,3))
2. rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[66] at makeRDD at :21
3.  
4. scala> rdd1.collect
5. res48: Array[Int] = Array(1, 2, 2, 3)
6.  
7. scala> var rdd2 = sc.makeRDD(3 to 4)
8. rdd2: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[67] at makeRDD at :21
9.  
10. scala> rdd2.collect
11. res49: Array[Int] = Array(3, 4)
12.  
13. scala> rdd1.subtract(rdd2).collect
14. res50: Array[Int] = Array(1, 2, 2)
15.