加入两个数据集会引发scala

Question

我有两个csv文件（数据集）file1和file2。

File1由以下列组成：

Orders | Requests | Book1  | Book2
Varchar| Integer  | Integer| Integer

File2由以下列组成：

Book3 | Book4 | Book5  | Orders
String| String| Varchar| Varchar

如何将scala中两个CSV文件中的数据组合起来检查：

• 多少
  • 订单，Book1（忽略Book1值为0），Book3和Book4出现在每个订单的两个文件中
  • 注意：列订单在两个文件中都很常见

Answer 1

你可以通过制作Pair RDD加入两个csv。

  val rightFile = job.patch.get.file
  val rightFileByKeys = sc.textFile(rightFile).map { line =>
    new LineParser(line, job.patch.get.patchKeyIndex, job.delimRegex, Some(job.patch.get.patchValueIndex))
  }.keyBy(_.getKey())

  val leftFileByKeys = sc.textFile(leftFile).map { line =>
    new LineParser(line, job.patch.get.fileKeyIndex, job.delimRegex)
  }.keyBy(_.getKey())

  leftFileByKeys.join(rightFileByKeys).map { case (key, (left, right)) =>
    (job, left.line + job.delim + right.getValue())
  }