Spark中的键值对操作-scala

1.PairRDD介绍

    Spark为包含键值对类型的RDD提供了一些专有的操作。这些RDD被称为PairRDD。PairRDD提供了并行操作各个键或跨节点重新进行数据分组的操作接口。例如，PairRDD提供了reduceByKey()方法，可以分别规约每个键对应的数据，还有join()方法，可以把两个RDD中键相同的元素组合在一起，合并为一个RDD。

2.创建Pair RDD

    程序示例：对一个英语单词组成的文本行，提取其中的第一个单词作为key，将整个句子作为value，建立 PairRDD

val rdd=sc.parallelize(List("this is a test","how are you","do you love me","can you tell me"));
//获取第一个单词作为键
val words =rdd.map(x=>(x.split(" ")(0),x));
words.collect().foreach(println);

输出结果：

(this,this is a test)

(how,how are you)

(do,do you love me)

(can,can you tell me)

3.PairRDD的转化操作

    PairRDD可以使用所有标准RDD上可用的转化操作。传递函数的规则也适用于PairRDD。由于PairRDD中包含二元组，所以需要传递的函数应当操作而元素而不是独立的元素。

                                       PairRDD的相关转化操作如下表所示

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
substractByKey	删掉RDD中键与other RDD 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，右外连接	rdd.rightOuterJoin(other)	{(3,(4,9)),(3,(6,9))}
leftOuterJoin	对两个RDD进行连接操作，左外连接	rdd.rightOuterJoin(other)	{(1,(2,None)),(3,(4,9)),(3,(6,9))}
cogroup	将两个RDD中拥有相同键的数据分组	rdd.cogroup(other)	{1,([2],[]),(3,[4,6],[9])}

程序实例：

针对2 中程序生成的PairRDD,删选掉长度超过20个字符的行。

val results=words.filter(value => value._2.length()<20);
results.foreach(println)

    RDD上有fold(),combine(),reduce()等行动操作，pair RDD上则有相应的针对键的转化操作。

    (1)reduceByKey()与reduce()操作类似，它们都接收一个函数，并使用该函数对值进行合并。reduceByKey()会为数据集中的每个键进行并行的规约操作，每个规约操作会将键相同的值合并起来。reduceBykey()最终返回一个由各键规约出来的结果值组成的新的RDD。

程序示例：用reduceByKey实现单词计数

val rdd=sc.parallelize(List("this is a test","how are you","do you love me","can you tell me"));
val words =rdd.flatMap(line => line.split(" "));
val results=words.map(word => (word,1)).reduceByKey( {case(x,y) => x+y});
results.foreach(println)

输出：

(are,1)

(this,1)

(is,1)

(you,3)

(can,1)

(a,1)

(love,1)

(do,1)

(how,1)

(tell,1)

(me,2)

(test,1)

  (2)foldByKey()与fold()操作类似，他们都使用一个与RDD和合并函数中的数据类型相同的零值作为初始值。与fold()一样，foldByKey()操作所使用的合并函数对零值与另一个元素进行合并，结果仍为该元素。

    程序示例：求对应key的value之和

val nums = sc.parallelize(List(Tuple2(1, 1), Tuple2(1, 3), Tuple2(2, 2), Tuple2(2, 8)));
val results=nums.foldByKey(0)({case(x,y)=>x+y})
results.collect().foreach(println)

结果：

(1,4)

(2,10)

(3)

    combineByKey()是最为常用的基于键进行聚合的函数。大多数基于键聚合的函数都是用它实现的。和aggregate()一样，combineByKey()可以让用户返回与输入数据类型不同的返回值。combineByKey()会遍历分区中的所有元素，因此，每个元素的键要么还么有遇到过，要么就和之前的某个元素的键相同。如果这是一个新的元素，combineByKey()会使用一个叫做 createCombiner()的函数来创建那个键对应的累加器的初始值。需要注意的是，这一过程会在每个分区中第一次出现每个键时发生，而不是在整个RDD中第一次出现一个键时发生。

    如果这是一个处理当前分区之前就已经遇到的键，它会使用mergeValue()方法将该键的累加器对应的当前值与这个新的值进行合并。

    由于每个分区都是独立处理的，因此对于同一个键可以有多个累加器。如果有两个或者更多的分区都有对应一个键的累加器，就需要使用用户提供的mergeCombiners()方法将各个分区的结果进行合并。

     以下程序示例使用combineBykey()求每个键对应的平均值。

val nums = sc.parallelize(List(Tuple2(1, 1), Tuple2(1, 3), Tuple2(2, 2), Tuple2(2, 8)));
val results=nums.combineByKey(
  (v)=>(v,1),
  (acc:(Int,Int),v) =>(acc._1+v,acc._2+1),
  (acc1:(Int,Int),acc2:(Int,Int))=>(acc1._1+acc2._1,acc1._2+acc2._2)
).map{case(key,value)=>(key,value._1/value._2.toFloat)}
results.collectAsMap().map(println)

结果：

(2,5.0)

(1,2.0)

成功求出每个key对应value对应的平均值

*(4)并行度调优

    每个RDD都有固定数目的分区，分区数决定了在RDD上执行操作时的并行度。

    在执行聚合或者分组操作时，可以要求Spark使用给定的分区数。Spark始终尝试根据集群的大小推断出一个有意义的默认值，但是你可以通过对并行度进行调优来获得更好的性能表现。

    在Scala中，combineByKey()函数和reduceByKey()函数的最后一个可选的参数用于指定分区的数目，即numPartitions，使用如下：

val results=nums.reduceByKey({(x,y) =>x+y},2);

5.数据分组

（1）groupByKey()

    groupByKey()会使用RDD中的键来对数据进行分组。对于一个由类型K的键和类型V的值组成的RDD，得到的RDD类型会是[K,Iterable[v]]。

    以下是程序示例，对PairRDD调用groupByKey()函数之后，返回的RDD类型是RDD [K,Iterable[v]]

val nums = sc.parallelize(List(Tuple2(1, 1), Tuple2(1, 3), Tuple2(2, 2), Tuple2(2, 8)));
val group=nums.groupByKey();
val results=group.collect();
for(value <- results){
print(value._1+": ")
for(elem <- value._2)
print(elem+" ")
println()

}

输出结果：

1: 1 3 

2: 2 8 

(2)cogroup()

    除了对单个RDD的数据进行分组，还可以使用cogroup()函数对对个共享同一个键的RDD进行分组。对两个键的类型均为K而值得类型分别为V和W的RDD进行cogroup()时，得到结果的RDD类型为[(K,(Iterable[V],Iterable[W]))]。如果其中一个RDD对于另一个RDD中存在的某个键没有对应的记录，那么对应的迭代器则为空。

举例：

val nums1 = sc.parallelize(List(Tuple2(1, 1), Tuple2(2, 2), Tuple2(1, 3),Tuple2(2, 4),Tuple2(3, 4)));
val nums2 = sc.parallelize(List(Tuple2(1,1),Tuple2(1,3),Tuple2(2,3)))
val results=nums1.cogroup(nums2)
for(tuple2 <- results.collect()){
print(tuple2._1+" [ ")
for(it <- tuple2._2._1)
print(it+" ")
print("] [ ")
for(it<-tuple2._2._2)
print(it+" ")
println("]")
}

输出：

1 [ 1 3 ] [ 1 3 ]

3 [ 4 ] [ ]

2 [ 2 4 ] [ 3 ]

6.数据排序

在Scala中以字符串顺序对正数进行自定义排序

(1)对RDD进行排序：

val nums =sc.parallelize(List(12,4,6,8,0,8));
//隐式转换声明排序的依据
implicit  val sortIntegersByString = new Ordering[Int] {
override def compare(x: Int, y: Int): Int = x.toString().compareTo(y.toString())
}
val results=nums.sortBy(value=>value);
results.collect().foreach(println)

(2)对PairRDD，按key的值进行排序

val nums = sc.parallelize(List(Tuple2(1, 1), Tuple2(2, 2), Tuple2(1, 3),Tuple2(2, 4),Tuple2(3, 4)));
//隐式转换声明排序的依据
implicit  val sortIntegersByString = new Ordering[Int] {
override def compare(x: Int, y: Int): Int = x.toString().compareTo(y.toString())
}
val results=nums.sortByKey();
results.collect().foreach(println)

7.数据分区

（1）创建数据分区

    在分布式程序中，通信的代价很大，控制数据分布以获得最少的网络传输可以极大地提升整体性能。Spark程序可以通过控制RDD分区的方式来减少通信消耗。只有当数据集多次在诸如连接这种基于键的操作中，分区才会有作用。

    Spark中所有的键值对RDD都可以进行分区。系统会根据一个针对键的函数对元素进行分组。Spark可以确保同一组的键出现在一个节点上。

    举个简单的例子，应用如下：内存中保存着很大的用户信息表，由(UserID,UserInfo[])组成的RDD,UserInfo是用户所订阅的所有主题列表。该应用会周期性地将这张表和一个小文件进行组合，这个小文件中存这过去5分钟发生的时间，其实就是一系列(UserId,LinkInfo)RDD,其中LinkInfo是用户访问的链接的主题。我们需要对用户访问其未订阅主题的页面情况进行统计。我们可以使用Spark的join()操作进行组合操作。将两者根据UserId连接之后，过滤出不在UserInfo[]中的LinkInfo,就是用户访问其未订阅主题的情况。

val list1 =List(Tuple2("zhou",List("it","math")),Tuple2("gan",List("money","book")))
val list2= List(Tuple2("zhou","it"),Tuple2("zhou","stock"),Tuple2("gan","money"),Tuple2("gan","book"))
val userData =sc.parallelize(list1)
val events = sc.parallelize(list2)
val joined=userData.join(events)
val results=joined.filter({
case (id, (info, link)) =>
    !info.contains(link)
  }
).count()
println(results)

输出：1

    这段代码可以正确运行，但是效率不高。因为每5分钟就要进行一次join()操作,而我们对数据集如何分区却一无所知。默认情况下，连接操作会将两个数据集中的所有键的哈希值都求出来，将该哈希值相同的记录通过网络传到同一台机器上，然后在那台机器上对所有键相同的记录进行连接操作。因为userData表比每5分钟出现的访问日志表events要大很多，所以要浪费时间进行额外的工作：在每次调用时都对userDAta表进行哈希值计算和跨节点数据混洗，虽然这些数据从来不会变化。

    要解决此问题：在程序开始的时候，对userData表进行partitionBy()转化操作，将这张表转化为哈希分区。可以通过向patitionBy传递一个spark.HashPartitioner对象来实现该操作。

    scala自定义分区方式：

val list1 =List(Tuple2("zhou",List("it","math")),Tuple2("gan",List("money","book")))
val list2= List(Tuple2("zhou","it"),Tuple2("zhou","stock"),Tuple2("gan","money"),Tuple2("gan","book"))
val userData =sc.parallelize(list1).partitionBy(new HashPartitioner(100)).persist(StorageLevel.MEMORY_ONLY)

    这样以后在调用join()时，Spark就知道了该RDD是根据键的哈希值来分区的，这样在调用join()时，Spark就会利用这一点，只会对events进行数据混洗操作，将events中特定userId的记录发送到userData的对应分区所在的那台机器上。这样，需要网络传输的数据就大大减小了，程序运行的速度也显著提高。

    请注意，我们还对userData 这个RDD进行了持久化操作， 默认情况下，每一个由转化操作得到的RDD都会在每次执行启动操作时重新计算生成，将userData持久化之后，就能保证userData能够在访问时被快速获取。

    *进一步解释数据分区带来的好处：

    如果没有将partitionBy()转化操作的结果进行持久化，那么后面每次用到这个RDD时都会重复对数据进行分区操作。不进行持久化会导致整个RDD谱系图重新求值。那样的话，partitionBy()带来的好处就会抵消，导致重复对数据进行分区以及跨节点的混洗，和没有指定分区方式时发生的情况是十分相似的。

（2）获取数据分区的方式

接(1)中程序：

val list1 =List(Tuple2("zhou",List("it","math")),Tuple2("gan",List("money","book")))
val list2= List(Tuple2("zhou","it"),Tuple2("zhou","stock"),Tuple2("gan","money"),Tuple2("gan","book"))
val userData =sc.parallelize(list1).partitionBy(new HashPartitioner(100)).persist(StorageLevel.MEMORY_ONLY)
println(userData.partitioner)

  RDD的属性partitioner就是存储了对应的分区方式

(3)从分区中获益的操作

    Spark中的很多操作都引入了根据键跨结点进行混洗的过程。所有这些操作都会从数据分区中获益。能够从数据分区中获益的操作有：groupWith(),join(),leftOuterJoin(),rightOuterJoin(),groupByKey(),reduceByKey(),combineByKey(),以及lockup()。

    对于像reduceByKey()这样只作用于单个RDD的操作，运行在未分区的RDD的时候或导致每个键所有对应值都在每台机器上进行本地计算，只需要把本地最终归约出的结果值从各工作节点传回主节点，所以原本的网络开销就不太大。而对于诸如cogroup()和join()这样的二元操作，预先进行数据分区会导致其中至少一个RDD(使用已知分区器的那个RDD)不发生数据混洗。如果两个RDD使用同样的分区方式，并且它们还缓存在同样的机器上（比如一个RDD是通过mapValues()从另一个RDD中创建出来的，这两个RDD就会拥有相同的键和分区方式），或者其中一个RDD还没有计算出来，那么跨节点数据混洗就不会发生了。

(4)影响分区方式的操作

    所有会为生成的结果RDD设好分区方式的操作：cogroup(),groupWith(),join(),leftOuterJoin(),rightOuterJoin(),groupByKey(),reduceByKey(),combineByKey(),partitionBy(),sort(),mapValues()(如果父RDD有分区方式的话)，filter()(如果父RDD有分区方式的话)。其他所有操作生成的结果都不会存在特定的分区方式。

注意：     

    对于二元操作，输出数据的分区方式取决于父RDD的分区方式。默认情况下，结果会采用哈希分区，分区的数量和操作的并行度是一样的。如果其中一个父RDD已经设置过分区方式，那么结果就会采用那种分区方式；如果两个父RDD都设置过分区方式，结果RDD会采用第一个RDD的分区方式。

8.示例程序-PageRank

     PageRank算法是一种从RDD分区中获益的更复杂的算法，我们以它为例进行分析。PageRank算法用来根据外部文档指向一个文档的链接，对集合中每个文档的重要程度赋一个度量值。该算法可以用于对网页进行排序，当然，也可以用于排序科技文章或社交网络中有影响的用户。

    算法会维护两个数据集，一个由(pageID,linklist[])组成，包含每个页面的链接到的页面的列表；另一个由(pageID,rank)元素组成，包含每个页面的当前排序值。它按以下步骤进行计算：

     ① 将每个页面的排序值初始化为1.0

          ②在每次迭代中，向每个有直接链接的页面，发送一个值为rank(p)/numNeighbors(p)（出链数目）   的贡献量

        ③将每个页面的排序值设置为0.15+0.85*contributionsReceived

           最后两步会重复几个循环，在此过程中，算法会逐渐收敛于每个页面的实际PageRank值。在实际操作中，收敛通常需要进行十个迭代。

下面用Scala来实现PageRank算法：

/*
       #以下是url的内容：
       www.baidu.com www.hao123.com
       www.baidu.com www.2345.com
       www.baidu.com www.zhouyang.com
       www.hao123.com www.baidu.com
       www.hao123.com www.zhouyang.com
       www.zhouyang.com www.baidu.com
    */
val inputs =sc.textFile("C:\\url.txt")
//url,[urls]
val links =inputs.map(x=>(x.split(" ")(0),x.split(" ")(1)))
  .distinct()
  .groupByKey()
  .cache()
//url,rank
var ranks =links.mapValues(value =>1.0)
for(i<-0 until 10){

val contribs =links.join(ranks).flatMap({
case(pageid,(links,rank))=>
//url Double
      links.map(dest=>(dest,rank/links.size))
  })
//reduce and add the contribs
  ranks=contribs.reduceByKey((x,y)=>x+y).mapValues(v => 0.15+0.85*v)
}
ranks.collect().foreach(println)

结果：

(www.hao123.com,0.3685546839262259)

(www.baidu.com,0.761571325242544)

(www.2345.com,0.3685546839262259)

(www.zhouyang.com,0.5269013026650011)

9.Scala设置自定义分区方式

    Spark允许你通过自定义Partitioner对象来控制RDD的分区方式，这样可以让你利用领域知识进一步减少通信消耗。

    举个例子，假设我们要在一个网页的集合上运行前一届中的PageRank算法。在这里，每个页面的ID是页面的URL。当我们使用简单的哈希函数进行分区时，拥有相似的URL的页面比如 http://www.baidu.com/news 与 http://www.baidu.com/map 可能被分在完全不同的节点上。但是我们知道，同一个域名下的网页更有可能相互连接。由于PageRank需要在每次迭代中从每个页面向它所有相邻的页面发送一条消息，因袭把这些页面分组在同一个分区中会更好。可以使用自定义的分区器来实现仅根据域名而不是整个URL进行分区。

    要实现先自定义Partitioner，需要继承Partitioner类并实现其下述方法：

    override def numPartitions: Int = ???

    返回创建的分区数量

    override def getPartition(key: Any): Int = ???

    返回给定键的数量

          override def equals(other:Any):Boolean = ???

    Spark需要这个方法来检查分区器对象是否与其他分区器实例相同，这样Spark才能判断两个RDD的分区方式是否相同。

class DomainNamePartitioner (numParts:Int) extends Partitioner{
override def numPartitions: Int = numParts
//根据hashCode和numPartitions取余来得到Partition,因为返回的必须是非负数，所以对于hashCode为负的情况做了特殊处理
  override def getPartition(key: Any): Int = {
val domain = new URL(key.toString).getHost();
    val code=(domain.hashCode%numPartitions)
if(code<0){
      code+numPartitions
    }else{
      code
    }
  }

override def equals(other:Any):Boolean = other match {
//这个实例是DomainNamePartitioner的实例，并且numPartitions相同，返回true
    case dnp:DomainNamePartitioner =>
      dnp.numPartitions==numPartitions
//否则，返回false
    case _ => false
  }
}