python - 使用数组对象计算 Spark RDD 中的不同文本

Question

我有一个由文本数组组成的 spark rdd (words)。例如，

words.take(3)

会返回类似的东西。

[ ["A", "B"], ["B", "C"], ["C", "A", "D"] ]

现在，我想找出文本的总数以及文本的唯一数量。如果RDD只有以上3条记录，

total_words = 7
unique_words = 4 (only A, B,C,D)

现在为了得到总数，我做了类似的事情

text_count_rdd = words.map(lambda x: len(x))
text_count_rdd.sum()

但我一直纠结于如何检索唯一计数。

Answer 1

只是flatMap，取distinct和count:

words.flatMap(set).distinct().count()