spark算子知识整理2

前面有关RDD的理论已经说过其中一点就是RDD是由一系列的分区组成，所以RDD也提供了和分区相关的一系列算子，这次需要整理的是分区迭代器、重设分区以及countByKey、groupByKey等算子

package com.debug;

import java.util.ArrayList;
import java.util.Arrays;
import java.util.Iterator;
import java.util.List;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.Function2;
import org.apache.spark.api.java.function.VoidFunction;

public class UseRDD04 {

	public static void main(String[] args) {
		SparkConf conf=new SparkConf();
		conf.setMaster("local");
		conf.setAppName("WordCountApp");
		
		JavaSparkContext sc=new JavaSparkContext(conf);
		
		
		List  arr=Arrays.asList("上海","北京","昆明","深圳","长沙","合肥");
		JavaRDD rdd1=sc.parallelize(arr,3);
		
		JavaRDD rdd2=rdd1.mapPartitionsWithIndex(new Function2, Iterator>() {

			public Iterator call(Integer index, Iterator iter) throws Exception {
				List arr=new ArrayList<>();
				while(iter.hasNext()) {
					arr.add(iter.next()+"-"+index);
				}
				return arr.iterator();
			}
		
		},true);
		
		JavaRDD rdd3=rdd2.coalesce(2, false);
		
		rdd3.foreach(new VoidFunction() {
			
			public void call(String city) throws Exception {
				System.out.println(city);
				
			}
		});
		
		sc.stop();

	}

}

这里需要注意理解的是coalesce()方法和rePartition()方法，区别是coalesce()方法的参数shuffle默认设置为false，repartition()方法就是coalesce()方法shuffle为true的情况；shuffle就是磁盘的数据写入和读取的过程，如果为宽依赖则有shuffle过程，窄依赖则没有。如有疑问可以参考下面的文章

https://blog.csdn.net/lzq20115395/article/details/80602071

接下来再补充两个算子，作为算子知识整理的最后一段代码

package com.debug;

import java.util.Arrays;
import java.util.List;
import java.util.Map;
import java.util.Map.Entry;
import java.util.Set;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.VoidFunction;

import scala.Tuple2;

public class UseRDD06 {

	public static void main(String[] args) {
		SparkConf conf=new SparkConf();
		conf.setMaster("local");
		conf.setAppName("rdd06");
		
		JavaSparkContext sc=new JavaSparkContext(conf);
		
		List> arr=Arrays.asList(
				new Tuple2("u1", 20),
				new Tuple2("u1", 15),
				new Tuple2("u2", 18),
				new Tuple2("u3", 20),
				new Tuple2("u4", 20),
				new Tuple2("u5", 100)
		);
		JavaPairRDD rdd=sc.parallelizePairs(arr);
		
		Map m=rdd.countByKey();
		Set> se=m.entrySet();
		for(Entry en:se) {
			String key=en.getKey();
			String value=en.getValue().toString();
			
			System.out.println(key+","+value);
		}
		
		JavaPairRDD> rdd2=rdd.groupByKey();
		rdd2.foreach(new VoidFunction>>() {
			
			public void call(Tuple2> tup) throws Exception {
				System.out.println(tup);
				
			}
		});
		
		sc.stop();

	}

}

reduceByKey和groupByKey在本人看来区别主要是reduceByKey会对分组好的数据进行计算，groupByKey则只是分好组不作计算