Scala映射过滤方法

Question

我是 Scala 和 Spark 的新手。我正在尝试删除文本文件的重复行。 每行包含三列（向量值），例如：-4.5,-4.2,2.7

这是我的程序：

import org.apache.spark.SparkContext
import org.apache.spark.SparkConf
import org.apache.spark.rdd.RDD
import scala.collection.mutable.Map

object WordCount {

 def main(args: Array[String]) {

   val conf = new SparkConf().setAppName("WordCount").setMaster("local[*]")
   val sc = new SparkContext(conf)
   val input =  sc.textFile("/opt/spark/WC/WC_input.txt")

   val keys = input.flatMap(line => line.split("/n"))

   val singleKeys = keys.distinct

   singleKeys.foreach(println)
 }
}

它有效，但我想知道是否有一种方法可以使用过滤器功能。我必须在我的程序中使用它，但我不知道如何在所有行之间进行迭代并删除重复项（例如使用循环）。

如果有人有想法，那就太好了！

谢谢！

Answer 1

我认为使用filter 这样做不是一个非常有效的解决方案。对于每个元素，您必须要么查看该元素是否已经存在于某种临时数据集中，要么计算这些元素中有多少在已处理的数据集中。

如果您想对其进行迭代并可能进行一些即时编辑，您可以应用map 然后reduceByKey 对相同的元素进行分组。像这样

val singleKeys = 
    keys
    .map( element => ( element , 0 ) )
    .reduceByKey( ( element, count ) => element )
    .map( _._1 )

您可以在第一个map 部分中对数据集进行更改。 count 参数未使用，尽管根据 reduceByKey 的定义，我们需要 Tuple 或 Map 中的第二个参数。

我认为这基本上就是 distinct 内部的工作方式。

Answer 2

RDD的重复元素可以这样去除：

val data = List("-4.5,-4.2,2.7", "10,20,30", "-4.5,-4.2,2.7")
val rdd = sparkContext.parallelize(data)
val result = rdd.map((_, 1)).reduceByKey(_ + _).filter(_._2 == 1).map(_._1)
result.foreach(println)

结果：

10,20,30