Scala映射过滤方法

我是Scala和Spark的新手。我正在尝试删除文本文件的重复行。 每行包含三列向量值，例如：-4.5、-4.2,2.7

这是我的节目：

import org.apache.spark.SparkContext
import org.apache.spark.SparkConf
import org.apache.spark.rdd.RDD
import scala.collection.mutable.Map

object WordCount {

 def main(args: Array[String]) {

   val conf = new SparkConf().setAppName("WordCount").setMaster("local[*]")
   val sc = new SparkContext(conf)
   val input =  sc.textFile("/opt/spark/WC/WC_input.txt")

   val keys = input.flatMap(line => line.split("/n"))

   val singleKeys = keys.distinct

   singleKeys.foreach(println)
 }
}

它可以工作，但我想知道是否有一种方法可以使用过滤器功能。我必须在我的程序中使用它，但我不知道如何在所有行之间迭代，并使用循环移除重复项

如果有人有主意，那就太好了

谢谢大家!

我认为使用过滤器来实现这一点并不是一个非常有效的解决方案。对于每个元素，您必须查看该元素是否已经存在于某种临时数据集中，或者计算这些元素中有多少在已处理的数据集中

如果您想对其进行迭代并可能进行一些动态编辑，您可以应用map，然后使用reduceByKey对相同的元素进行分组。像这样

val singleKeys = 
    keys
    .map( element => ( element , 0 ) )
    .reduceByKey( ( element, count ) => element )
    .map( _._1 )

您可以在其中对第一个映射部分中的数据集进行更改。虽然根据reduceByKey的定义，我们需要在元组或映射中使用第二个参数，但不使用count参数

---

我认为这基本上就是distinct内部工作的方式。

RDD的重复元素可以通过以下方式删除：

val data = List("-4.5,-4.2,2.7", "10,20,30", "-4.5,-4.2,2.7")
val rdd = sparkContext.parallelize(data)
val result = rdd.map((_, 1)).reduceByKey(_ + _).filter(_._2 == 1).map(_._1)
result.foreach(println)

结果:

10,20,30

---

谢谢！！但我想保留所有重复元素的一个实例。是否可能？是的，如果删除筛选条款。结果将和distinct一样。你是最好的！谢谢：