Spark核心编程

Spark 计算框架为了能够进行高并发和高吞吐的数据处理，封装了三大数据结构，用于
处理不同的应用场景。三大数据结构分别是：
➢ RDD : 弹性分布式数据集
➢ 累加器：分布式共享只写变量
➢ 广播变量：分布式共享只读变量
接下来我们一起看看这三大数据结构是如何在数据处理中使用的。

1.1 RDD

1.1.1 什么是 RDD

RDD（Resilient Distributed Dataset）叫做弹性分布式数据集，是 Spark 中最基本的数据处理模型。代码中是一个抽象类，它代表一个弹性的、不可变、可分区、里面的元素可并行计算的集合。
➢ 弹性
⚫ 存储的弹性：内存与磁盘的自动切换；
⚫ 容错的弹性：数据丢失可以自动恢复；
⚫ 计算的弹性：计算出错重试机制；
⚫ 分片的弹性：可根据需要重新分片。
➢ 分布式：数据存储在大数据集群不同节点上
➢ 数据集：RDD 封装了计算逻辑，并不保存数据
➢ 数据抽象：RDD 是一个抽象类，需要子类具体实现
➢ 不可变：RDD 封装了计算逻辑，是不可以改变的，想要改变，只能产生新的 RDD，在
新的 RDD 里面封装计算逻辑
➢ 可分区、并行计算

1.1.2 核心属性

➢ 分区列表
RDD 数据结构中存在分区列表，用于执行任务时并行计算，是实现分布式计算的重要属性。

➢ 分区计算函数
Spark 在计算时，是使用分区函数对每一个分区进行计算

➢ RDD 之间的依赖关系
RDD 是计算模型的封装，当需求中需要将多个计算模型进行组合时，就需要将多个 RDD 建
立依赖关系

➢ 分区器（可选）
当数据为 KV 类型数据时，可以通过设定分区器自定义数据的分区

➢ 首选位置（可选）
计算数据时，可以根据计算节点的状态选择不同的节点位置进行计算

1.1.3 执行原理

从计算的角度来讲，数据处理过程中需要计算资源（内存 & CPU）和计算模型（逻辑）。执行时，需要将计算资源和计算模型进行协调和整合。
Spark 框架在执行时，先申请资源，然后将应用程序的数据处理逻辑分解成一个一个的计算任务。然后将任务发到已经分配资源的计算节点上, 按照指定的计算模型进行数据计算。最后得到计算结果。

RDD 是 Spark 框架中用于数据处理的核心模型，接下来我们看看，在 Yarn 环境中，RDD的工作原理:

1. 启动 Yarn 集群环境
   

2. Spark 通过申请资源创建调度节点和计算节点
   

3. Spark 框架根据需求将计算逻辑根据分区划分成不同的任务
   

4. 调度节点将任务根据计算节点状态发送到对应的计算节点进行计算
   

从以上流程可以看出 RDD 在整个流程中主要用于将逻辑进行封装，并生成 Task 发送给Executor 节点执行计算，接下来我们就一起看看 Spark 框架中 RDD 是具体是如何进行数据处理的。

1.1.4 基本编程

1.1.4.1 RDD创建

在Spark中创建RDD的创建方式可以分为四种:

1. 从集合（内存）中创建RDD
   从集合中创建RDD，Spark主要提供了两个方法：parallelize和makeRDD

val sparkConf = new SparkConf().setMater("local[*]").setAppName("spark")
val sparkContext = new SparkContext(sparkConf)
val rdd1 = sparkContext.parallelize(
	List(1,2,3,4)
)
val rdd2 = sparkContext.makeRDD(
	List(1,2,3,4)
)
rdd1.collect().foreach(println)
rdd2.collect().foreach(println)
sparkContext.stop()

从底层代码实现来讲，makeRDD方法其实就是parallelize方法

def makeRDD[T:ClassTag]（
 seq:Seq[T]，
 numSlices:Int = defaultParallelism):RDD[T] = withScope {
 parallelize(seq,numSlices)
 }

2）从外部存储（文件）创建RDD
由外部存储系统的数据集创建RDD包括：本地的文件系统，所有Hadoop支持的数据集，比如HDFS，HBase等。

val sparkConf = new SparkConf().setMaster("local[*]").setAppName("spark")
val sparkContext = new SparkContext(sparkConf)
val fileRDD:RDD[String] = sparkContext.textFile("input")
sparkContext.stop()

3 )从其他RDD创建
主要通过一个RDD运算完后,再产生新的RDD。详情请参考后续章节

4 )直接创建RDD（new）
使用new的方式直接构造RDD，一般由Spark框架自身使用。

1.1.4.2 RDD 并行度与分区

默认情况下，Spark 可以将一个作业切分多个任务后，发送给 Executor 节点并行计算，而能够并行计算的任务数量我们称之为并行度。这个数量可以在构建 RDD 时指定。记住，这里的并行执行的任务数量，并不是指的切分任务的数量，不要混淆了。

val sparkConf =new SparkConf() .setMaster("local[*]") .setAppName("sp ark") 
val sparkContext = new SparkContext(sparkConf)
val dataRDD: RDD[Int] =sparkContext.makeRDD(List(1,2,3,4), 4)
val fileRDD: RDD[String] = sparkContext.textFile("input",2)
fileRDD.collect().foreach(println)
sparkContext.stop()

⚫ 读取内存数据时，数据可以按照并行度的设定进行数据的分区操作，数据分区规则的
Spark 核心源码如下：

def positions(length: Long, numSlices: Int): Iterator[(Int, Int)] = {
 (0 until numSlices).iterator.map { i =>
 val start = ((i * length) / numSlices).toInt
 val end = (((i + 1) * length) / numSlices).toInt
 (start, end)
 }
 }

⚫ 读取文件数据时，数据是按照 Hadoop 文件读取的规则进行切片分区，而切片规则和数据读取的规则有些差异，具体 Spark 核心源码如下

public InputSplit[] getSplits(JobConf job, int numSplits)
 throws IOException {
 long totalSize = 0; // compute total size
 for (FileStatus file: files) { // check we have valid files
 if (file.isDirectory()) {
 throw new IOException("Not a file: "+ file.getPath());
 }
 totalSize += file.getLen();
 }
 long goalSize = totalSize / (numSplits == 0 ? 1 : numSplits);
 long minSize = Math.max(job.getLong(org.apache.hadoop.mapreduce.lib.input.
 FileInputFormat.SPLIT_MINSIZE, 1), minSplitSize);

 ...

 for (FileStatus file: files) {

 ...

 if (isSplitable(fs, path)) {
 long blockSize = file.getBlockSize();
 long splitSize = computeSplitSize(goalSize, minSize, blockSize);
 ...
 }
 protected long computeSplitSize(long goalSize, long minSize,
 long blockSize) {
 return Math.max(minSize, Math.min(goalSize, blockSize));
 }

1.1.4.3 RDD 转换算子

RDD 根据数据处理方式的不同将算子整体上分为Value类型，双Value类型和Key-Value类型
⚫ Value 类型

1. map
   ➢ 函数签名
   def map[U: ClassTag](f: T => U): RDD[U]
   ➢ 函数说明
   将处理的数据逐条进行映射转换，这里的转换可以是类型的转换，也可以是值的转换。

val dataRDD: RDD[Int] = sparkContext.makeRDD(List(1,2,3,4))
val dataRDD1: RDD[Int] = dataRDD.map(
 num => {
 num * 2
 }
)
val dataRDD2: RDD[String] = dataRDD1.map(
 num => {
 "" + num
 }
)

2. mapPartitions
   ➢ 函数签名
   def mapPartitions[U: ClassTag](
   f: Iterator[T] => Iterator[U],
   preservesPartitioning: Boolean = false): RDD[U]
   ➢ 函数说明
   将待处理的数据以分区为单位发送到计算节点进行处理，这里的处理是指可以进行任意的处理，哪怕是过滤数据。

val dataRDD1: RDD[Int] = dataRDD.mapPartitions(
 datas => {
 datas.filter(_==2)
 }
)

❖ 小功能：获取每个数据分区的最大值
思考一个问题：map 和 mapPartitions 的区别？
➢ 数据处理角度
Map 算子是分区内一个数据一个数据的执行，类似于串行操作。而 mapPartitions 算子
是以分区为单位进行批处理操作。
➢ 功能的角度
Map 算子主要目的将数据源中的数据进行转换和改变。但是不会减少或增多数据。
MapPartitions 算子需要传递一个迭代器，返回一个迭代器，没有要求的元素的个数保持不变，
所以可以增加或减少数据
➢ 性能的角度
Map 算子因为类似于串行操作，所以性能比较低，而是 mapPartitions 算子类似于批处
理，所以性能较高。但是 mapPartitions 算子会长时间占用内存，那么这样会导致内存可能
不够用，出现内存溢出的错误。所以在内存有限的情况下，不推荐使用。使用 map 操作。

完成比完美更重要

3）mapPartitionsWithIndex
➢ 函数签名
def mapPartitionsWithIndex[U: ClassTag](
f: (Int, Iterator[T]) => Iterator[U],
preservesPartitioning: Boolean = false): RDD[U]
➢ 函数说明
将待处理的数据以分区为单位发送到计算节点进行处理，这里的处理是指可以进行任意的处
理，哪怕是过滤数据，在处理时同时可以获取当前分区索引。

val dataRDD1 = dataRDD.mapPartitionsWithIndex(
	(index,datas) =>{
	   datas.map(index,_)
	}
) 

❖ 小功能：获取第二个数据分区的数据

    val mapRDD = rdd.mapPartitionsWithIndex(
             (index,datas) =>{
               if(index == 1) {
                 datas.map((index, _))
               }else{
                 Nil.iterator
               }
             }
      )

4. flatMap
   ➢ 函数签名
   def flatMap[U: ClassTag](f: T => TraversableOnce[U]): RDD[U]
   ➢ 函数说明
   将处理的数据进行扁平化后再进行映射处理，所以算子也称之为扁平映射

val dataRDD = sparkContext.makeRDD(List(List(1,2),List(3,4),1))
val dataRDD1 = dataRDD.flatMap( list => list)

❖ 小功能：将 List(List(1,2),3,List(4,5))进行扁平化操作

  val dataRDD = sc.makeRDD(List(List(1,2),3,List(4,5)),1)

    val mapRDD = dataRDD.flatMap(list => list match {
      case list:List[_] => list
      case _ =>  List(list)
    })

5. glom
   ➢ 函数签名
   def glom(): RDD[Array[T]]
   ➢ 函数说明
   将同一个分区的数据直接转换为相同类型的内存数组进行处理，分区不变

val dataRDD = sparkContext.makeRDD(List(1,2,3,4),1)
val dataRDD1:RDD[Array[Int]] = dataRDD.glom() 

❖ 小功能：计算所有分区最大值求和（分区内取最大值，分区间最大值求和）

6）groupBy
➢ 函数签名
def groupBy[K](f: T => K)(implicit kt: ClassTag[K]): RDD[(K, Iterable[T])]
➢ 函数说明
将数据根据指定的规则进行分组, 分区默认不变，但是数据会被打乱重新组合，我们将这样的操作称之为 shuffle。极限情况下，数据可能被分在同一个分区中
一个组的数据在一个分区中,但是并不是说一个分区中只有一个组

val dataRDD = sparkContext.makeRDD(List(1,2,3,4),1)
val dataRDD1 = dataRDD.groupBy( _%2 )

❖ 小功能：将 List(“Hello”, “hive”, “hbase”, “Hadoop”)根据单词首写字母进行分组。
❖ 小功能：从服务器日志数据 apache.log 中获取每个时间段访问量。
❖ 小功能：WordCount。
7) filter
➢ 函数签名
def filter(f: T => Boolean): RDD[T]
➢ 函数说明
将数据根据指定的规则进行筛选过滤，符合规则的数据保留，不符合规则的数据丢弃。当数据进行筛选过滤后，分区不变，但是分区内的数据可能不均衡，生产环境下，可能会出现数据倾斜。
❖ 小功能：从服务器日志数据 apache.log 中获取 2015 年 5 月 17 日的请求路径
8) sample

def sample(
withReplacement: Boolean,
fraction: Double,
seed: Long = Utils.random.nextLong): RDD[T]
➢ 函数说明
根据指定的规则从数据集中抽取数据

val dataRDD = sparkContext.makeRDD(List(1,2,3,4),1)
// 抽取数据不放回（伯努利算法）
//伯努利算法：又叫0,1分布。例如扔硬币，要么正面，要么反面。
//具体实现：根据种子和随机算法算出一个数和第二个参数设置几率比较，小于第二个参数要，大于不要
//第一个参数：抽取的数据是否放回，false：不放回
//第二个参数：抽取的几率，范围在【0,1】之间，0：全不取

思考一个问题：有啥用，抽奖吗？

9. distinct
   ➢ 函数签名
   def distinct()(implicit ord: Ordering[T] = null): RDD[T]
   def distinct(numPartitions: Int)(implicit ord: Ordering[T] = null): RDD[T]
   ➢ 函数说明
   将数据集中的重复数据去重

val dataRDD = sparkContext.makeRDD(List(1,2,3,4,1,2),1)
val dataRDD1 = dataRDD.distinct()
val dataRDD2 = dataRDD.distinct(2)

思考一个问题：如果不用该算子，你有什么办法实现数据去重？

10. coalesce
    ➢ 函数签名
    def coalesce(numPartitions: Int, shuffle: Boolean = false,
    partitionCoalescer: Option[PartitionCoalescer] = Option.empty)
    (implicit ord: Ordering[T] = null)
    : RDD[T]
    ➢ 函数说明
    根据数据量缩减分区，用于大数据集过滤后，提高小数据集的执行xiaolv
    当spark程序中，存在过多的小任务的时候，可以通过coalesce方法，收缩合并分区，减少分区的个数，减小任务调度成本

val dataRDD = sparkContext.makeRDD(List(1,2,3,4,1,2),6)
val dataRDD1 = dataRDD.coalesce(2)

思考一个问题：我想要扩大分区，怎么办？
11) repartition
➢ 函数签名
def repartition(numPartitions: Int)(implicit ord: Ordering[T] = null): RDD[T]
➢ 函数说明
该操作内部其实执行的是coalesce操作，参数shuffle的默认值为true。无论是将分区数多的RDD转换为分区数少的RDD,还是将分区数少的RDD转换为分区数多的RDD，repartion操作都可以完成，因为无论如何都会经shuffle过程。

val dataRDD = sparkContext.makeRDD(List(1,2,3,4,1,2),2)
val dataRDD1 = dataRDD.repartition(4) 

思考一个问题：coalesce 和 repartition 区别？

12. sortBy
    ➢ 函数签名
    def sortBy[K](
    f: (T) => K,
    ascending: Boolean = true,
    numPartitions: Int = this.partitions.length)
    (implicit ord: Ordering[K], ctag: ClassTag[K]): RDD[T]
    ➢ 函数说明
    该操作用于排序数据。在排序之前，可以将数据通过f函数进行处理，之后按照f函数处理的结果进行排序，默认为升序排序。排序后新产生的RDD的分区数与原RDD的分区数一致。中间存在shuffle的过程

val dataRDD = sparkContext.makeRDD(List(1,2,3,4,1,2),2)
val dataRDD1 = dataRDD.sortBy(num=>num,false,4)

⚫ 双 Value 类型
13) intersection
➢ 函数签名
def intersection(other: RDD[T]): RDD[T]
➢ 函数说明
对源RDD和参数RDD求交集后返回一个新的RDD

val dataRDD1 = sparkContext.makeRDD(List(1,2,3,4))
val dataRDD2 = saprkContext.makeRDD(List(3,4,5,6))
val dataRDD3 = dataRDD1.intersection(dataRDD2)

思考一个问题：如果两个 RDD 数据类型不一致怎么办？

14. union
    ➢ 函数签名
    def union(other: RDD[T]): RDD[T]
    ➢ 函数说明
    对源 RDD 和参数 RDD 求并集后返回一个新的 RDD

val dataRDD1 = sparkContext.makeRDD(List(1,2,3,4))
val dataRDD2 = sparkContext.makeRDD(List(3,4,5,6))
val dataRDD = dataRDD1.union(dataRDD2)

思考一个问题：如果两个 RDD 数据类型不一致怎么办？

15. subtract

➢ 函数签名
def subtract(other: RDD[T]): RDD[T]
以一个RDD元素为主，去除两个RDD中重复元素，将其他元素保留下来。求差集

val dataRDD1 = sparkContext.makeRDD(List(1,2,3,4))
val dataRDD2 = sparkContext.makeRDD(List(3,4,5,6))
val dataRDD = dataRDD1.subtract(dataRDD2)

思考一个问题：如果两个 RDD 数据类型不一致怎么办？

16. zip
    ➢ 函数签名
    def zip[U: ClassTag](other: RDD[U]): RDD[(T, U)]
    ➢ 函数说明
    将两个RDD中的元素，以键值对的形式进行合并。其中，键值对中的Key为第1个RDD中的元素，Value为第2个RDD中的相同位置的元素。

val dataRDD1 = sparkContext.makeRDD(List(1,2,3,4))
val dataRDD2 = sparkContext.makeRDD(List(3,4,5,6))
val dataRDD = dataRDD1.zip(dataRDD2)

思考一个问题：如果两个 RDD 数据类型不一致怎么办？
思考一个问题：如果两个 RDD 数据分区不一致怎么办？
思考一个问题：如果两个 RDD 分区数据数量不一致怎么办？

⚫ Key - Value 类型

17. partitionBy
    ➢ 函数签名
    def partitionBy(partitioner: Partitioner): RDD[(K, V)]
    ➢ 函数说明
    将数据按照指定Partitioner重新进行分区。Spark默认的分区器是HashPartitioner

val rdd:RDD[(Int,String)] = sc.makeRDD((Array(1,"aaa"),(2,"bbb"),(3,"ccc")),3)
import org.apache.spark.HashPartitioner
val rdd2:RDD[(Int,String)] = rdd.partitionBy(new HashParttioner(2))

思考一个问题：如果重分区的分区器和当前 RDD 的分区器一样怎么办？
思考一个问题：Spark 还有其他分区器吗？
思考一个问题：如果想按照自己的方法进行数据分区怎么办？
思考一个问题：哪那么多问题？

18. reduceByKey
    ➢ 函数签名
    def reduceByKey(func: (V, V) => V): RDD[(K, V)]
    def reduceByKey(func: (V, V) => V, numPartitions: Int): RDD[(K, V)]
    ➢ 函数说明
    可以将数据按照相同的Key对Value进行聚合

val dataRDD1 = sparkContetxt.makeRDD(List(("a",1),("b",2),("c",3)))
val dataRDD2 = dataRDD1.reduceByKey(_+_)
val dataRDD3 = dataRDD2.reduceByKey(_+_,2)

19）groupByKey
➢ 函数签名
def groupByKey(): RDD[(K, Iterable[V])]
def groupByKey(numPartitions: Int): RDD[(K, Iterable[V])]
def groupByKey(partitioner: Partitioner): RDD[(K, Iterable[V])]
➢ 函数说明
将数据源的数据根据 key 对 value 进行分组

val dataRDD1 = sparkContext.makeRDD(List(("a",1),("b",2),("c",3)))
val dataRDD2 = dataRDD1.groupByKey()
val dataRDD3 = dataRDD1.groupByKey(2)
val dataRDD4 = dataRDD1.groupByKey(new HashPartitioner(2))

思考一个问题：reduceByKey 和 groupByKey 的区别？

从shuffle角度：reduceByKey和groupByKey都存在shuffle的操作，但是reduceByKey可以在shuffle前对分区内相同key的数据进行预聚合(combine)功能，这样会减少落盘的数据量，而groupByKey只是进行分组，不存在数据量减少的问题，reduceByKey性能比较高。

从功能的角度：reduceByKey其实包含分组和聚合的功能。GroupByKey只能分组，不能聚合，所以在分组聚合的场合下，推荐使用reduceByKey，如果仅仅是分组不需要聚合，那么还是只能使用groupByKey

❖ 小功能：WordCount

20. aggregateByKey
    ➢ 函数签名
    def aggregateByKey[U: ClassTag](zeroValue: U)(seqOp: (U, V) => U,
    combOp: (U, U) => U): RDD[(K, U)]
    ➢ 函数说明
    将数据根据不同的规则进行分区内计算和分区间计算

val dataRDD1 = sparkContext.makeRDD(List("a",1),("b",2),("c",3))
val dataRDD2 = dataRDD1.aggregateByKey(0)(_+_,_+_)

❖ 取出每个分区内相同 key 的最大值然后分区间相加

// TODO:取出每个分区内相同key的最大值然后分区间相加
// aggregateByKey 算子是函数柯里化，存在两个参数列表
//1.第一个参数列表中的参数表示初始值
//2.第二个参数列表中含两个参数
// 2.1 第一个参数表示分区内的计算规则
// 2.2 第二个参数表示分区间的计算规则
val rdd = sc.makeRDD(List("a",1),("a",2),("c",3),("b",4),("c",5),("c",6),2)
// 0:("a",1),("a",2),("c",3) => (a,10)(c,10) 
													=>(a,10)(b,10)(c,20)
//1:("b",4),("c",5),("c",6) => (b,10)(c,10)
val resultRDD = rdd.aggregateByKey(10)(
		(x,y) => math.max(x,y)
		(x,y) => x + y
)
resultRDD.collect().foreach(println)

思考一个问题：分区内计算规则和分区间计算规则相同怎么办？（WordCount）

21. foldByKey
    ➢ 函数签名
    def foldByKey(zeroValue: V)(func: (V, V) => V): RDD[(K, V)]
    ➢ 函数说明
    当分区内计算规则和分区间计算规则相同时,aggregateByKey就可以简化foldByKey

val dataRDD1 = sparkContext.makeRDD(List(("a",1),("b",2),("c",3)))
val dataRDD2 = dataRDD1.foldByKey(0)(_+_)

22. combineByKey
    ➢ 函数签名
    def combineByKey[C](
    createCombiner: V => C,
    mergeValue: (C, V) => C,
    mergeCombiners: (C, C) => C): RDD[(K, C)]
    ➢ 函数说明
    最通用的对key-value型rdd进行聚集操作的聚集函数（aggregation function）。类似于aggregate( ) , combineByKey()允许用户返回值的类型与输入不一致。
    小练习：将数据List((“a”, 88), (“b”, 95), (“a”, 91), (“b”, 93), (“a”, 95), (“b”, 98))求每个 key 的平
    均值

val list:List[(String,Int)] = List(("a",88),("b",95),("a",91),("b",93),("a",95),("b",98))
val input:RDD[(String,Int)] = sc.makeRDD(list,2)
val combineRdd:[(String,(Int,Int))] = input.combineByKey(
	(_,1),
	(acc:(Int,Int),v) => (acc._1 + v,acc._2 + 1),
	(acc1:(Int,Int),acc2:(Int,Int)) => (acc._1 + acc2._1,acc1._2 + acc2._2)
)

思考一个问题：reduceByKey、foldByKey、aggregateByKey、combineByKey 的区别？
rduceByKey：相同key的第一个数据不进行任何计算，分区内和分区间计算规则相同
FoldByKey：相同key的第一个数据和初始值进行分区内计算，分区内和分区间计算规则相同
AggregateByKey:相同key的第一个数据和初始值进行分区内计算，分区内和分区间计算规则可以不相同
CombineByKey:当计算时,发现数据结构不满足要求时，可以让第一个数据转换结构。分区内和分区间计算规则不相同。

23）sortByKey
➢ 函数签名
def sortByKey(ascending: Boolean = true, numPartitions: Int = self.partitions.length)
: RDD[(K, V)]
➢ 函数说明
在一个(K,V)的 RDD 上调用，K 必须实现 Ordered 接口(特质)，返回一个按照 key 进行排序的

val dataRDD1 = sparkContext.makeRDD(List(("a",1),("b",2),("c",3)))
val sortRDD1: RDD[(String, Int)] = dataRDD1.sortByKey(true)
val sortRDD1: RDD[(String, Int)] = dataRDD1.sortByKey(false)

❖ 小功能：设置 key 为自定义类 Use
24) join

➢ 函数签名
def join[W](other: RDD[(K, W)]): RDD[(K, (V, W))]
➢ 函数说明
在类型为(K,V)和(K,W)的 RDD 上调用，返回一个相同 key 对应的所有元素连接在一起的(K,(V,W))的 RDD

val rdd: RDD[(Int, String)] = sc.makeRDD(Array((1, "a"), (2, "b"), (3, "c")))
val rdd1: RDD[(Int, Int)] = sc.makeRDD(Array((1, 4), (2, 5), (3, 6)))
rdd.join(rdd1).collect().foreach(println)

思考一个问题：如果 key 存在不相等呢？

25. leftOuterJoin

➢ 函数签名
def leftOuterJoin[W](other: RDD[(K, W)]): RDD[(K, (V, Option[W]))]
➢ 函数说明
类似于 SQL 语句的左外连接

val dataRDD1 = sparkContext.makeRDD(List(("a",1),("b",2),("c",3)))
val dataRDD2 = sparkContext.makeRDD(List(("a",1),("b",2),("c",3)))
val rdd: RDD[(String, (Int, Option[Int]))] = dataRDD1.leftOuterJoin(dataRDD2)

26. cogroup

➢ 函数签名
def cogroup[W](other: RDD[(K, W)]): RDD[(K, (Iterable[V], Iterable[W]))]
➢ 函数说明
在类型为(K,V)和(K,W)的 RDD 上调用，返回一个(K,(Iterable,Iterable))类型的 RDD

val dataRDD1 = sparkContext.makeRDD(List(("a",1),("a",2),("c",3)))
val dataRDD2 = sparkContext.makeRDD(List(("a",1),("c",2),("c",3)))
val value: RDD[(String, (Iterable[Int], Iterable[Int]))] =
dataRDD1.cogroup(dataRDD2)

5.1.4.4 案例实操

1. 数据准备
   agent.log：时间戳，省份，城市，用户，广告，中间字段使用空格分隔。
2. 需求描述
   统计出每一个省份每个广告被点击数量排行的 Top3
3. 需求分析
4. 功能实现