Question

我有两个文件 A 和 B ，其内容如下：

A

brown i like
big is house
jumps over lazy

乙

this is my house
my house is brown
brown is color

我想分别计算每个文件中每个单词的出现次数，然后对结果求和，以便获得两个文件中所有单词的计数，即如果两个文件中都出现一个单词，那么它的最终计数将是两个文件中的一些总数都是谦虚的。

以下是我到目前为止编写的代码：

val readme = sc.textFile("A.txt")
val readmesplit = readme.flatMap(line => line.split(" "))
val changes = sc.textFile("B.txt")
val changessplit = changes.flatMap(line => line.split(" "))

val readmeKV = readmesplit.map(x => (x, 1)).reduceByKey((x, y) => x + y)
val changesKV = changessplit.map(x => (x,1)).reduceByKey((x, y) => x + y)

val ans = readmeKV.fullOuterJoin(changesKV).collect()

此代码给出了以下输出：

(this,(Some(1),None)), (is,(Some(3),Some(1))), (big,(None,Some(1))),
(lazy,(None,Some(1))), (house,(Some(2),Some(1))), (over,(None,Some(1)))...and so on

现在我如何对每个键的值元组求和，以获得两个文件中每个单词的出现。

Answer 1

您是否尝试过使用union代替fullOuterJoin？：

val ans = readmesplit.union(changessplit).map(x => (x,1)).reduceByKey((x, y) => x + y)

Answer 2

val totals = ans.map {
  case (word, (one, two)) => (word, one.getOrElse(0) + two.getOrElse(0))
}

只需提取两个值，如果单词“不存在”，则返回0，然后添加结果。

Spark - 两个键值对RDD的总和值

2 个答案: