如何使用java在spark中连接3个RDD表？

Question

请忍受这一个。我有三个RDD（来自Hadoop）。所有三个都有独特的密钥，例如ippaddress和boxnumber，他们可以匹配/加入。以下是所有表格中的一些示例数据。表格在列表框中，必须将其转换为数字才能匹配。

Table A: 
ipaddress|boxnumber|cardnumber 
94.254.57.16|59774DEa1|0D1EDF40 
94.154.57.176|5F7377Ga9|0D3F796D 

Table B: 
cardno,boxnumber 
1500914,2000096 
1500413,2211469 

Table C: 
ipaddress|kanal|bitrate|kanaltimespent|date|country 
94.254.57.16|sky|2023|003DF6A.ts|12-02-2016|chile 
94.154.57.176|ITV|3425|003DF6A.ts|23-04-2014|egypt 

我在java中的第一次尝试：

//TABLE A 
    JavaSparkContext sc = SetupSparkContext("SparkSample");  
    JavaRDD<ExtractTable_A> ta_RDD= ExtractTable_A.getRDD(sc); 
    JavaPairRDD<String, ExtractTable_A> A_PairRDD = ta_RDD.mapToPair(new PairFunction<extractTable_A, String, ExtractTable_A>() 
    { 
    @Override 
    public Tuple2<String, ExtractTable_A> call(ExtractTable_A extractTable_A) throws Exception 
    { 
     String [] A= extractTable_A.toString().split("|") ; 
     return new Tuple2<>(A[0],extractTable_A); 
     } 
    }); 
    //TABLE B 
    JavaRDD<ExtractOttPdl> tb_RDD = ExtractTableB.getRDD(sc);  
    JavaPairRDD<String, ExtractTable_B> BPairRDD = tb_RDD.mapToPair(new PairFunction<extractTable_B, String, ExtractTable_B>() 
    { 
    @Override 
    public Tuple2<String, ExtractTable_B> call(ExtractTable_B extractTable_B) throws Exception 
    { 
     String [] B= extractTable_B.toString().split(",") ; 
     return new Tuple2<>(B[1],extractTable_B); 
     } 
    }); 

    //TABE C 
    JavaRDD<ExtractTable_C> tc_RDD = ExtractTableC.getRDD(sc);  
    JavaPairRDD<String, ExtractTable_C> CPairRDD = tb_RDD.mapToPair(new PairFunction<extractTable_C, String, ExtractTable_C>() 
    { 
    @Override 
    public Tuple2<String, ExtractTableC> call(ExtractTableC extractTable_C) throws Exception 
    { 
     String [] C= extractTable_A.toString().split("|") ; 
     return new Tuple2<>(C[0],extractTable_A); 
     } 
    }); 

    //At this point i need to join and create an .txt output file 

最终结果768,16与这些头文件

KANAL|BITRATE|TIMESPENT|DATE|COUNTRY 

===更新=== 我已成功地加入表A和表B，但现在我坚持如何将TableC加入到表A中？

 //Joined table A and B 
    JavaPairRDD<String, Tuple2<ExtractTableA, ExtractTableB>> join_1 = A_PairRDD.join(B_PairRDD); 
    . . . 
    //Joined table A and C 
    JavaPairRDD<String, Tuple2<ExtractTableA, ExtractTableC>> Join_2 = A_PairRDD.join(B_PairRDD); 


    // Output results from TableA and TableB 
    join_1.map(in -> { 
    return new ResultStringBuilder("|") 
       .append(Long.parseLong((in._2()._1().getCardno().trim()),16)) 
       .append(Long.parseLong((in._2()._1().getBoxno().trim()),16)) 
       .append(in._2()._2().getBoxno()) 
       *** HERE I NEED TO ALSO APPEND THE COLUMN FROM TableC 
       .toString(); 
    }) 
      .saveAsTextFile("c:\outfile"); 

Answer 1

请记住，当你与火花API的工作，你总是希望创建一个新的RDD当你修改任何在RDD内在张力结构，因为RDD是不可变的。

为了做到在这种情况下，三通加入， 你需要你加入了前两个表， 后创建一个新的JavaPairRDD，因为你想有新的键值对的PairRDD，因为表的唯一键A，B，C是不同的。 可能有两种方法可以做到这一点（要么加入AB第一或AC第一） 你可以加入表的方法是这样的：

表A - 表B（PairRDD与关键：boxnumber或cardnumber也许两者）

后您加入表A和表B，你需要创建一个新的PairRDD与关键的ip地址，因为你想用表C.

// joinedAB is RDD resulting from join operation of Table A and C 
JavaPairRDD joinedABForC = joinedAB.map(l -> new Tuple2(l[0], l)); 
// now joinedABForC has ipaddress as the RDD's key 
// join rdd joinedABForC with Table C 

加盟后，我们搬到了独特的列的关键pairRdd，现在可以将它与表C一起加入，并完成三种加入方式。

加入表AB - 表C（带密钥的PairRdd：ipaddress）