不同组的id列表的汇总对比

时间：2018-06-18 13:57:08 阅读：176 评论：0 收藏：0 [点我收藏+]

需求：

三个不同的dfs中存在不同的多个节点id，现在需要求出不同的dfs之间的节点对应关系，比如，哪些节点在某一个dfs，但是不在另一个dfs中

思路：

一、如果是单纯计算dfs中节点数量，则可以使用scala，代码如下：

1 准备原始数据

将原始数据存放在文本文件dfs_id中（本文通过subline），格式如下：

2415,2416,2417,2418,2419,2421,2422,2423,2424,2425,2426,2427,2428,2429,2430,2431,2432,2433,2434,2435,2436,2437,2438,2439,2440,2441,2442,2443,2444,2445,2446,2447,2448,2449,2450,2541,2542,2544,2724,3124,3126,2605,2606,3133,3194,3272,3271,3273,3274,3302,3313,3314,3652,3654,3657,3944

2 计算代码

1. 在【spark】/bin目录下启动spark：
spark-shell --master=local

2. 读取源数据文件，创建rdd

scala> var rdd = sc.textFile("/Users/wooluwalker/Desktop/dfs_id")
rdd: org.apache.spark.rdd.RDD[String] = /Users/wooluwalker/Desktop/dfs_id MapPartitionsRDD[2] at textFile at <console>:24

　　3. 计算id个数

scala> rdd.flatMap(x=>x.split(‘,‘)).count()
res3: Long = 56

3 上述代码只用于个数的计算，不能用于不同dfs之间的id对比，为了是实现这个功能，推荐使用hive

二、使用hive将不同dfs的id汇总到一张表中

1 创建表 tb_dfsid_137_confluence_task_id_split，tb_dfsid_3_confluence_task_id_split
结构相同，如下：
line	string

2 上传对应的数据到不同的表中
load data local inpath ‘/Users/wooluwalker/Desktop/dfs_3_taskid‘ into table tb_dfsid_3_confluence_task_id_split;

load data local inpath ‘/Users/wooluwalker/Desktop/dfs_137_taskid‘ into table tb_dfsid_137_confluence_task_id_split;

3 将tb_dfsid_137_confluence_task_id_split，tb_dfsid_3_confluence_task_id_split一横行的数据拆分成一纵列，

放到tb_dfsid_137_confluence_task_id_split_vertical，tb_dfsid_3_confluence_task_id_split_vertical:

create table if not exists tb_dfsid_137_confluence_task_id_split_vertical
as
select * from (
	select explode(split(line,",")) as dfsid_137 from tb_dfsid_137_confluence_task_id_split
) tmp;

create table if not exists tb_dfsid_3_confluence_task_id_split_vertical
as
select * from (
	select explode(split(line,",")) as dfsid_137 from tb_dfsid_3_confluence_task_id_split 
) tmp; 

4 创建表tb_dfsid_3_137_confluence_task_id_compare，汇总对比dfs_3和dfs_137下的节点 

create table if not exists tb_dfsid_3_137_confluence_task_id_compare 
select dfsid3, dfsid137 
from 
　　tb_dfsid_3_confluence_task_id_split_vertical id3 
full outer join
　　tb_dfsid_137_confluence_task_id_split_vertical id137 
on id3.dfsid3 = id137.dfsid137;