Spark常用函数讲解之键值RDD转换

摘要：

RDD：弹性分布式数据集，是一种特殊集合 ‚ 支持多种来源 ‚ 有容错机制 ‚ 可以被缓存 ‚ 支持并行操作，一个RDD代表一个分区里的数据集
RDD有两种操作算子：

        Transformation（转换）：Transformation属于延迟计算，当一个RDD转换成另一个RDD时并没有立即进行转换，仅仅是记住       了数据集的逻辑操作
         Ation（执行）：触发Spark作业的运行，真正触发转换算子的计算
 
本系列主要讲解Spark中常用的函数操作：
         1.RDD基本转换
         2.键-值RDD转换
         3.Action操作篇

 

本节所讲函数

1.mapValus

2.flatMapValues

3.comineByKey

4.foldByKey

5.reduceByKey

6.groupByKey

7.sortByKey

8.cogroup

9.join

10.LeftOutJoin

11.RightOutJoin

 

1.mapValus(fun):对[K,V]型数据中的V值map操作

(例1)：对每个的的年龄加2

object MapValues {
  def main(args: Array[String]) {
    val conf = new SparkConf().setMaster( "local" ).setAppName( "map" )
    val sc = new SparkContext(conf)
    val list = List(( "mobin" , 22 ),( "kpop" , 20 ),( "lufei" , 23 ))
    val rdd = sc.parallelize(list)
    val mapValuesRDD = rdd.mapValues(_+ 2 )
    mapValuesRDD.foreach(println)
  }
}

输出：

(mobin,24)
(kpop,22)
(lufei,25)

(RDD依赖图：红色块表示一个RDD区，黑色块表示该分区集合，下同)

 

 

2.flatMapValues(fun)：对[K,V]型数据中的V值flatmap操作

(例2):

//省略val list = List(("mobin",22),("kpop",20),("lufei",23))
val rdd = sc.parallelize(list)
val mapValuesRDD = rdd.flatMapValues(x => Seq(x, "male" ))
mapValuesRDD.foreach(println)

输出：

(mobin,22)
(mobin,male)
(kpop,20)
(kpop,male)
(lufei,23)
(lufei,male)

如果是mapValues会输出：

(mobin,List(22, male))
(kpop,List(20, male))
(lufei,List(23, male))

（RDD依赖图）

 

 

3.combineByKey(createCombiner,mergeValue,mergeCombiners,partitioner,mapSideCombine)

 

   combineByKey(createCombiner,mergeValue,mergeCombiners,numPartitions)

 

   combineByKey(createCombiner,mergeValue,mergeCombiners)

 

createCombiner:在第一次遇到Key时创建组合器函数，将RDD数据集中的V类型值转换C类型值（V => C），

如例3:

mergeValue：合并值函数，再次遇到相同的Key时，将createCombiner道理的C类型值与这次传入的V类型值合并成一个C类型值（C,V）=>C，

如例3：

mergeCombiners:合并组合器函数，将C类型值两两合并成一个C类型值

如例3：

 

partitioner：使用已有的或自定义的分区函数，默认是HashPartitioner

 

mapSideCombine：是否在map端进行Combine操作,默认为true

 

注意前三个函数的参数类型要对应；第一次遇到Key时调用createCombiner，再次遇到相同的Key时调用mergeValue合并值

 

（例3）：统计男性和女生的个数，并以（性别，（名字，名字....），个数）的形式输出

object CombineByKey {
  def main(args: Array[String]) {
    val conf = new SparkConf().setMaster( "local" ).setAppName( "combinByKey" )
    val sc = new SparkContext(conf)
    val people = List(( "male" , "Mobin" ), ( "male" , "Kpop" ), ( "female" , "Lucy" ), ( "male" , "Lufei" ), ( "female" , "Amy" ))
    val rdd = sc.parallelize(people)
    val combinByKeyRDD = rdd.combineByKey(
      (x: String) => (List(x), 1 ),
      (peo: (List[String], Int), x : String) => (x :: peo._1, peo._2 + 1 ),
      (sex1: (List[String], Int), sex2: (List[String], Int)) => (sex1._1 ::: sex2._1, sex1._2 + sex2._2))
    combinByKeyRDD.foreach(println)
    sc.stop()
  }
}

输出：

(male,(List(Lufei, Kpop, Mobin),3))
(female,(List(Amy, Lucy),2))

过程分解：

Partition1:
K="male"  -->  ("male","Mobin")  --> createCombiner("Mobin") =>  peo1 = (  List("Mobin") , 1 )
K="male"  -->  ("male","Kpop")  --> mergeValue(peo1,"Kpop") =>  peo2 = (  "Kpop"  ::  peo1_1 , 1 + 1 )    //Key相同调用mergeValue函数对值进行合并
K="female"  -->  ("female","Lucy")  --> createCombiner("Lucy") =>  peo3 = (  List("Lucy") , 1 )
 
Partition2:
K="male"  -->  ("male","Lufei")  --> createCombiner("Lufei") =>  peo4 = (  List("Lufei") , 1 )
K="female"  -->  ("female","Amy")  --> createCombiner("Amy") =>  peo5 = (  List("Amy") , 1 )
 
Merger Partition:
K="male" --> mergeCombiners(peo2,peo4) => (List(Lufei,Kpop,Mobin))
K="female" --> mergeCombiners(peo3,peo5) => (List(Amy,Lucy))

（RDD依赖图）

 

4.foldByKey(zeroValue)(func)

 

  foldByKey(zeroValue,partitioner)(func)

 

  foldByKey(zeroValue,numPartitiones)(func)

 

foldByKey函数是通过调用CombineByKey函数实现的

 

zeroVale：对V进行初始化，实际上是通过CombineByKey的createCombiner实现的  V =>  (zeroValue,V)，再通过func函数映射成新的值，即func(zeroValue,V),如例4可看作对每个V先进行  V=> 2 + V  

 

func: Value将通过func函数按Key值进行合并（实际上是通过CombineByKey的mergeValue，mergeCombiners函数实现的，只不过在这里，这两个函数是相同的）

例4：

//省略
    val people = List(( "Mobin" , 2 ), ( "Mobin" , 1 ), ( "Lucy" , 2 ), ( "Amy" , 1 ), ( "Lucy" , 3 ))
    val rdd = sc.parallelize(people)
    val foldByKeyRDD = rdd.foldByKey( 2 )(_+_)
    foldByKeyRDD.foreach(println)

输出：

(Amy,2)
(Mobin,4)
(Lucy,6)

先对每个V都加2，再对相同Key的value值相加。

 

 

5.reduceByKey(func,numPartitions):按Key进行分组，使用给定的func函数聚合value值, numPartitions设置分区数，提高作业并行度

例5

//省略
val arr = List(( "A" , 3 ),( "A" , 2 ),( "B" , 1 ),( "B" , 3 ))
val rdd = sc.parallelize(arr)
val reduceByKeyRDD = rdd.reduceByKey(_ +_)
reduceByKeyRDD.foreach(println)
sc.stop

输出：

(A,5)
(A,4)

（RDD依赖图）

 

6.groupByKey(numPartitions):按Key进行分组，返回[K,Iterable[V]]，numPartitions设置分区数，提高作业并行度

例6：

//省略
val arr = List(( "A" , 1 ),( "B" , 2 ),( "A" , 2 ),( "B" , 3 ))
val rdd = sc.parallelize(arr)
val groupByKeyRDD = rdd.groupByKey()
groupByKeyRDD.foreach(println)
sc.stop

输出：

(B,CompactBuffer(2, 3))
(A,CompactBuffer(1, 2))

 

以上foldByKey,reduceByKey,groupByKey函数最终都是通过调用combineByKey函数实现的

 

7.sortByKey(accending，numPartitions):返回以Key排序的（K,V）键值对组成的RDD，accending为true时表示升序，为false时表示降序，numPartitions设置分区数，提高作业并行度

例7：

//省略sc
val arr = List(( "A" , 1 ),( "B" , 2 ),( "A" , 2 ),( "B" , 3 ))
val rdd = sc.parallelize(arr)
val sortByKeyRDD = rdd.sortByKey()
sortByKeyRDD.foreach(println)
sc.stop

输出：

(A,1)
(A,2)
(B,2)
(B,3)

 

8.cogroup(otherDataSet，numPartitions)：对两个RDD(如:(K,V)和(K,W))相同Key的元素先分别做聚合，最后返回(K,Iterator,Iterator)形式的RDD,numPartitions设置分区数，提高作业并行度

例8：

//省略
val arr = List(( "A" , 1 ), ( "B" , 2 ), ( "A" , 2 ), ( "B" , 3 ))
val arr1 = List(( "A" , "A1" ), ( "B" , "B1" ), ( "A" , "A2" ), ( "B" , "B2" ))
val rdd1 = sc.parallelize(arr, 3 )
val rdd2 = sc.parallelize(arr1, 3 )
val groupByKeyRDD = rdd1.cogroup(rdd2)
groupByKeyRDD.foreach(println)
sc.stop

输出：

(B,(CompactBuffer(2, 3),CompactBuffer(B1, B2)))
(A,(CompactBuffer(1, 2),CompactBuffer(A1, A2)))

（RDD依赖图）

 

 

9.join(otherDataSet,numPartitions):对两个RDD先进行cogroup操作形成新的RDD，再对每个Key下的元素进行笛卡尔积，numPartitions设置分区数，提高作业并行度

例9

//省略
val arr = List(( "A" , 1 ), ( "B" , 2 ), ( "A" , 2 ), ( "B" , 3 ))
val arr1 = List(( "A" , "A1" ), ( "B" , "B1" ), ( "A" , "A2" ), ( "B" , "B2" ))
val rdd = sc.parallelize(arr, 3 )
val rdd1 = sc.parallelize(arr1, 3 )
val groupByKeyRDD = rdd.join(rdd1)
groupByKeyRDD.foreach(println)

输出：

(B,(2,B1))
(B,(2,B2))
(B,(3,B1))
(B,(3,B2))
 
(A,(1,A1))
(A,(1,A2))
(A,(2,A1))
(A,(2,A2)

（RDD依赖图）

 

 

10.LeftOutJoin(otherDataSet，numPartitions):左外连接，包含左RDD的所有数据，如果右边没有与之匹配的用None表示,numPartitions设置分区数，提高作业并行度

例10：

//省略
val arr = List(( "A" , 1 ), ( "B" , 2 ), ( "A" , 2 ), ( "B" , 3 ),( "C" , 1 ))
val arr1 = List(( "A" , "A1" ), ( "B" , "B1" ), ( "A" , "A2" ), ( "B" , "B2" ))
val rdd = sc.parallelize(arr, 3 )
val rdd1 = sc.parallelize(arr1, 3 )
val leftOutJoinRDD = rdd.leftOuterJoin(rdd1)
leftOutJoinRDD .foreach(println)
sc.stop

输出：

(B,(2,Some(B1)))
(B,(2,Some(B2)))
(B,(3,Some(B1)))
(B,(3,Some(B2)))
 
(C,(1,None))
 
(A,(1,Some(A1)))
(A,(1,Some(A2)))
(A,(2,Some(A1)))
(A,(2,Some(A2)))

 

11.RightOutJoin(otherDataSet, numPartitions):右外连接，包含右RDD的所有数据，如果左边没有与之匹配的用None表示,numPartitions设置分区数，提高作业并行度

例11：

//省略
val arr = List(( "A" , 1 ), ( "B" , 2 ), ( "A" , 2 ), ( "B" , 3 ))
val arr1 = List(( "A" , "A1" ), ( "B" , "B1" ), ( "A" , "A2" ), ( "B" , "B2" ),( "C" , "C1" ))
val rdd = sc.parallelize(arr, 3 )
val rdd1 = sc.parallelize(arr1, 3 )
val rightOutJoinRDD = rdd.rightOuterJoin(rdd1)
rightOutJoinRDD.foreach(println)
sc.stop

输出：

(B,(Some(2),B1))
(B,(Some(2),B2))
(B,(Some(3),B1))
(B,(Some(3),B2))
 
(C,(None,C1))
 
(A,(Some(1),A1))
(A,(Some(1),A2))
(A,(Some(2),A1))
(A,(Some(2),A2))