Apache Spark中join和cogroup之间的区别是什么

Question

Apache Spark中join和cogroup之间有什么区别？每种方法的用例是什么？

Answer 1

让我帮你澄清一下,两者都很常用,很重要!

def join[W](other: RDD[(K, W)]): RDD[(K, (V, W))]

这是prototype加入,请仔细看看.例如,

val rdd1 = sc.makeRDD(Array(("A","1"),("B","2"),("C","3")),2)
val rdd2 = sc.makeRDD(Array(("A","a"),("C","c"),("D","d")),2)

scala> rdd1.join(rdd2).collect
res0: Array[(String, (String, String))] = Array((A,(1,a)), (C,(3,c)))

将出现在最终结果中的所有键与 rdd1和rdd2相同.这类似于relation database operation INNER JOIN.

但是cogroup是不同的,

def cogroup[W](other: RDD[(K, W)]): RDD[(K, (Iterable[V], Iterable[W]))]

因为一个键至少出现在两个rdds中的任何一个中,它将出现在最终结果中,让我澄清一下:

val rdd1 = sc.makeRDD(Array(("A","1"),("B","2"),("C","3")),2)
val rdd2 = sc.makeRDD(Array(("A","a"),("C","c"),("D","d")),2)

scala> var rdd3 = rdd1.cogroup(rdd2).collect
res0: Array[(String, (Iterable[String], Iterable[String]))] = Array(
(B,(CompactBuffer(2),CompactBuffer())), 
(D,(CompactBuffer(),CompactBuffer(d))), 
(A,(CompactBuffer(1),CompactBuffer(a))), 
(C,(CompactBuffer(3),CompactBuffer(c)))
)

这是非常similar的relation database operation FULL OUTER JOIN,但不是每行记录每行的扁平化,它会给interable interface你,下面的操作是你方便的!

祝好运!

Spark文档是:http://spark.apache.org/docs/latest/api/scala/index.html#org.apache.spark.rdd.PairRDDFunctions