spark常用RDD算子 - groupByKey

groupByKey是对单个 RDD 的数据进行分组

def groupByKey(): RDD[(K, Iterable[V])]

def groupByKey(numPartitions: Int): RDD[(K, Iterable[V])]

def groupByKey(partitioner: Partitioner): RDD[(K, Iterable[V])]

groupByKey会将RDD[key,value] 按照相同的key进行分组，形成RDD[key,Iterable[value]]的形式， 有点类似于sql中的groupby，例如类似于mysql中的group_concat 
例如这个例子， 我们对学生的成绩进行分组 

JavaRDD> scoreDetails = javaSparkContext.parallelize(Arrays.asList(new Tuple2("xiaoming", 75)
                , new Tuple2("xiaoming", 90)
                , new Tuple2("lihua", 95)
                , new Tuple2("lihua", 188)));

//将JavaRDD> 类型转换为 JavaPairRDD
JavaPairRDD scoreMapRDD = JavaPairRDD.fromJavaRDD(scoreDetails);

JavaPairRDD> stringIterableJavaPairRDD = scoreMapRDD.groupByKey(2);

System.out.println(stringIterableJavaPairRDD.collectAsMap());
//返回的结果
//{lihua=[95, 188], xiaoming=[75, 90]}