我有一些与subtractByKey有关的问题。spark:subtractByKey问题(pyspark)
我有2个文件: 第一个是这样的:(客户端ID +客户端邮件)
client_id emails
4A85FD8E-197D-2AE3-B939-A527AFF16A04 [email protected]***tur.com
D48D530C-CF68-DAF1-18F0-E0A0A03F3E06 [email protected]***ncus.net:[email protected]****m.ca
40815230-25DC-9EA0-01D1-2706B4B56958 [email protected]****nc.net
...
,而第二个:(仅邮件)
[email protected]****s.com
[email protected]****m.org
[email protected]****e.edu
....
一些第一个文件中的行可以具有2(或更多)这种格式的邮件:
mail:mail
我做了什么:
*test1=sc.textFile("file1")
*test2=sc.textFile("file2")
*test3=test1.subtractByKey(test2)
,其结果是...:
[(u'A', u'B'), (u'A', u'D'), (u'A', u'1'), (u'A', u'D'), (u'A', u'D'), (u'A', u'B'), (u'A', u'F'), (u'A', u'E'), (u'A', u'9'), (u'A', u'5'), (u'A', u'9'), (u'A', u'6'), (u'c', u'l'), (u'E', u'8'), (u'E', u'4'), (u'E', u'6'), (u'E', u'6'), (u'E', u'7'), (u'E', u'5'), (u'E', u'5'), (u'E', u'5'), (u'E', u'2'), (u'E', u'8'), (u'C', u'2'), (u'C', u'5'), (u'C', u'6'), (u'C', u'C'), (u'C', u'E'), (u'C', u'3'), (u'C', u'F'), (u'C', u'4'), (u'C', u'B'), (u'C', u'F'), (u'C', u'F'), (u'C', u'8'), (u'C', u'0'), (u'1', u'D'), (u'1', u'2'), (u'1', u'3'), (u'1', u'8'), (u'1', u'0'), (u'1', u'F'), ... ]
我想删除的客户谁在第二个文件有他们的邮件的第一个文件,但它不起作用。
你最好以'代码'格式编辑你的问题,因为我看到的是很混乱 – armnotstrong
它没有代码...除了3行代码格式。 – Ezay
这是第一个可能包含多个电子邮件的文件,对吗? – armnotstrong