问题描述
我有一个从 Case Class 创建的 Schema RDD。考虑到 Spark Scala 中的所有列和重复计数,我需要找到重复的条目
解决方法
因为它是一个 case 类,所以它会有自己的哈希函数。您可以使用它来对元素进行分组。
val yourRdd: RDD[YourCaseClass] = ???
val duplicateCountRdd: RDD[(Int,Iterable[YourCaseClass])] =
yourRdd
.groupBy(_.hashCode)
.map({ case (hash,duplicates) => (duplicates.size,duplicates) })