spark示例：连接操作

Posted 2020-11-05 zzhangyuhang

join连接两个文件

我们有这样两个文件

任务：找出用户评分平均值大于4的电影。

我们看两个文件结果，第一个文件有电影的ID和名字，第二个文件有电影的ID和所有用户的评分

对于任务结果所需要的数据为电影ID，电影名字，平均评分。平均评分用所有用户评分总和/用户数来求出

1.我们先计算电影的评分

 （1）先读取电影评分文件

（2）取数据

我们看到每行的数据是通过：：来进行连接的，然后我们需要的是第二列的电影ID以及第二列的评分。

我们把两个有用的数据取出来，组成键值对的形式。

为什么要组成键值对的形式？

数据中每个用户的对电影的评分都是分开的，所以我们需要对电影ID进行分组操作，把所有评分分组。

之前示例中我们知道groupByKey能进行分组，同时还能把所有相同Key的数据组合成一个集合。

当我们把所有数据集合之后就很容易操作计算了。

所以我们把数据组合成为<电影ID，评分>这样的键值对的形式。

3.分组计算平均评分

我们看到我们分组之后，所有相同电影的不同用户的评分都被收集到了一个集合中。

那么如何计算平均评分呢？评分总分 / 评分个数 = 平均评分

Scala集合提供了sum方法来可以计算集合总和，提供了size方法来计算数据条数。

正好不用我们额外去求了，如果集合没有定义方法，我们也可以遍历后计算得出要求的值。

2.在取电影ID和电影名

我们查看数据结构，数据是通过：：连接的，对我们有用的数据为第一列电影ID和第二列电影名称

3.通过电影ID连接

我们把我们所有需要的数据都取出来了，接下来进行连接就可以了。

但是，我们连接需要把电影ID作为连接的key。

我们需要的结果为(ID,NAME,SCORE)

如果我们直接对id进行连接的话，我们连接出来的结果只有(NAME,SCORE)缺少了ID

所以我们需要再次对数据进行处理，我们通过.keyBy()方法新生成一个key，同时value为原始的数据

然后我们再进行连接操作，注意join连接操作是内链接，

连接后的key是连接键，value为所有相同key的集合，可以通过 _2._x 来进行访问

4.过滤求出平均评分大于4的记录