Spark每日半小时（7）——PairRDD的转化操作

今天，我准备列出PairRDD的标准RDD转化操作的函数列表。之后会具体分析，之前我们讨论过的有关传递函数的规则也同样适用于pairRDD。由于pairRDD中包含二元组，所以需要传递的函数应当操作二元组而不是独立的元素。下面我会总结对pairRDD的一些转化操作。

PairRDD的转化操作（以键值对集合{(1,2),(3,4),(3,6)}为例）

函数名	目的	示例	结果
reduceByKey(func)	合并具有相同键的值	rdd.reduceByKey((x,y)=>x+y)	{(1,2), (3,10)}
groupByKey()	对具有相同的值进行分组	rdd.groupByKey()	{(1,[2]),(3, [4,6])}
combineByKey(createCombiner, mergeValue,mergeCombiners,partitioner)	使用不同的返回类型合并具有相同键的值
mapValues(func)	对pairRDD中的每个值应用rdd.mapValues(x=>x+1)一个函数而不改变键	rdd.mapValues(x=>x+1)	{(1,3), (3,5), (3,7)}
flatMapValues(func)	对pairRDD中的每个值应用一个返回迭代器的函数，然后对返回的每个元素都生成一个对应原键的键值对记录。通常用于符号化	rdd.flatMapValues(x=>(x to 5))	{(1,2), (1,3), (1,4), (1,5), (3,4), (3,5)}
keys()	返回一个仅包含键的RDD	rdd.keys()	{1, 3, 3}
values()	返回一个仅包含值的RDD	rdd.values()	{2, 4, 6}
sortByKey()	返回一个根据键排序的RDD	rdd.sortByKey()	{(1,2), (3,4), (3,6)}

针对两个pairRDD的转化操作(rdd={(1,2),(3,4),(3,6)}other={(3,9)})

函数名	目的	示例	结果
subtractByKey	删掉RDD中键与otherRDD中的键相同的元素	rdd.subtractByKey(other)	{(1, 2)}
join	对两个RDD进行内连接	rdd.join(other)	{(3, (4, 9)), (3, (6, 9))}
rightOuterJoin	对两个RDD进行连接操作，确保第一个RDD的键必须存在（右外连接）	rdd.rightOuterJoin(other)	{(3,(Some(4),9)),(3,(Some(6),9))}
leftOuterJoin	对两个RDD进行连接操作，确保第二个RDD的键必须存在（左外连接）	rdd.leftOuterJoin(other)	{(1, (2,None)), (3, (4,Some(9))), (3, (6,Some(9)))}
cogroup	将两个RDD中拥有相同键的数据分组到一起	rdd.cogroup(other)	{(1,([2],[])), (3, ([4, 6],[9]))}

明天会开始详细探讨这些pairRDD的函数。

PairRDD也还是RDD，因此同样支持RDD所支持的函数。下面来一个简单的例子搞一搞。

/**
 * @author DKing
 * @description
 * @date 2019/6/3
 */
public class PairRDDTransactionSample {
    public static void main(String[] args) {
        SparkConf conf = new SparkConf()
                .setAppName("TransactionSample")
                .setMaster("local");
        JavaSparkContext sc = new JavaSparkContext(conf);
        JavaRDD lines = sc.textFile("README.md");
        JavaPairRDD pairRDD = lines.mapToPair(
                (PairFunction) s -> new Tuple2<>(s.split(" ")[0], s)
        );

        Function, Boolean> longWordFilter =
                stringStringTuple2 -> (stringStringTuple2._2().length() < 20);

        JavaPairRDD result = pairRDD.filter(longWordFilter);
    }
}

根据值筛选

有时，我们只想访问pairRDD的值部分，这时操作二元组很麻烦。由于这是一种常见的使用模式，因此Spark提供了mapValue(func)函数，功能类似于map{case(x,y):(x,func(y))}。可以在很多例子中使用这些函数。

明天我们会讨论pairRDD的各种操作，先从聚合操作开始。