apache-spark - 如何向 Spark RDD 添加新列？

Question

我有一个包含许多列(例如数百)的 RDD，如何在此 RDD 末尾添加一列？

例如，如果我的 RDD 如下所示:

    123, 523, 534, ..., 893
    536, 98, 1623, ..., 98472
    537, 89, 83640, ..., 9265
    7297, 98364, 9, ..., 735
    ......
    29, 94, 956, ..., 758

如何向其中添加一列，其值是第二列和第三列的总和？

非常感谢。

Answer 1

您根本不必使用 Tuple* 对象来向 RDD 添加新列。

可以通过映射每一行，获取其原始内容加上要附加的元素来完成，例如:

val rdd = ...
val withAppendedColumnsRdd = rdd.map(row => {
  val originalColumns = row.toSeq.toList
  val secondColValue = originalColumns(1).asInstanceOf[Int]
  val thirdColValue = originalColumns(2).asInstanceOf[Int]
  val newColumnValue = secondColValue + thirdColValue 
  Row.fromSeq(originalColumns :+ newColumnValue)
  // Row.fromSeq(originalColumns ++ List(newColumnValue1, newColumnValue2, ...)) // or add several new columns
})