sql – 为什么我想要.unionAll在Spark for SchemaRDDs .unionAll?

前端之家收集整理的这篇文章主要介绍了sql – 为什么我想要.unionAll在Spark for SchemaRDDs .unionAll?前端之家小编觉得挺不错的,现在分享给大家,也给大家做个参考。
我试图在 Spark SQL documentation中围绕这两个功能

> def union(其他:RDD [Row]):RDD [Row]

返回此RDD与另一个RDD的并集.
> def unionAll(otherPlan:SchemaRDD):SchemaRDD

将两个RDD的元组与相同的模式组合在一起,保持重复.

这不是UNION与UNION ALL,as documented in this SO question的标准行为.

我的代码,从Spark SQL documentation借用,有两个函数返回相同的结果.

scala> case class Person(name: String,age: Int)
scala> import org.apache.spark.sql._
scala> val one = sc.parallelize(Array(Person("Alpha",1),Person("Beta",2)))
scala> val two = sc.parallelize(Array(Person("Alpha",2),Person("Gamma",3)))
scala> val schemaString = "name age"
scala> val schema = StructType(schemaString.split(" ").map(fieldName => StructField(fieldName,StringType,true)))
scala> val peopleSchemaRDD1 = sqlContext.applySchema(one,schema)
scala> val peopleSchemaRDD2 = sqlContext.applySchema(two,schema)
scala> peopleSchemaRDD1.union(peopleSchemaRDD2).collect
res34: Array[org.apache.spark.sql.Row] = Array([Alpha,1],[Beta,2],[Alpha,[Gamma,3])
scala> peopleSchemaRDD1.unionAll(peopleSchemaRDD2).collect
res35: Array[org.apache.spark.sql.Row] = Array([Alpha,3])

为什么我更喜欢一个呢?

解决方法

在Spark 1.6中,上面的union版本被删除了,所以unionAll就是剩下的.

在Spark 2.0中,unionAll被重命名为union,unionAll保持向后兼容(我猜).

无论如何,在union (Spark 2.0)unionAll (Spark 1.6)中都没有进行重复数据删除.

猜你在找的MsSQL相关文章