使用数组对象计算 Spark RDD 中的不同文本
Posted
技术标签:
【中文标题】使用数组对象计算 Spark RDD 中的不同文本【英文标题】：Counting distinct texts in a Spark RDD with array objects 【发布时间】：2016-02-11 18:03:24 【问题描述】：我有一个由文本数组组成的 spark rdd (words)。例如，
words.take(3)
会返回类似的东西。
[ ["A", "B"], ["B", "C"], ["C", "A", "D"] ]
现在，我想找出文本的总数以及唯一的文本数。如果RDD只有3条以上的记录，
total_words = 7
unique_words = 4 (only A, B,C,D)
现在为了得到总数，我做了类似的事情
text_count_rdd = words.map(lambda x: len(x))
text_count_rdd.sum()
但我不知道如何检索唯一计数。
【问题讨论】：
【参考方案1】：只需flatMap，取distinct 和count：
words.flatMap(set).distinct().count()
【讨论】：
以上是关于使用数组对象计算 Spark RDD 中的不同文本的主要内容，如果未能解决你的问题，请参考以下文章