文件进行滤重"/>
Scala+Spark:对文件进行滤重
需求来源:有俩文件,里面存着很多公司信息,但是有重复的,由于数据量太大,因此,决定写个小脚本,用spark跑一下
先看一下文件格式,origin为原始公司信息数据,spider为爬虫抓取的数据
整体逻辑:
文件求并集 ==> map 对公司名做hash用以做索引 ==> 根据公司名的hash值做groupby,取首位数据 ==> 保存文件
1、主文件:
2、工具包:
processinfo:
关于company.scala中滤重:
更多推荐
Scala+Spark:对文件进行滤重
发布评论