【Sprak】【笔记】Sprak的RDD的转换之Key-Value类型交互笔记

moocer · 发表于 2020-6-12 17:54

Key-Value类型
1 partitionBy案例
1. 作用：对pairRDD进行分区操作，如果原有的partionRDD和现有的partionRDD是一致的话就不进行分区，否则会生成ShuffleRDD，即会产生shuffle过程。
2. 需求：创建一个4个分区的RDD，对其重新分区
1）创建一个RDD

[Scala] 纯文本查看 复制代码

scala> val rdd = sc.parallelize(Array((1,"aaa"),(2,"bbb"),(3,"ccc"),(4,"ddd")),4)

rdd: org.apache.spark.rdd.RDD[(Int, String)] = ParallelCollectionRDD[44] at parallelize at <console>:24
（2）查看RDD的分区数

[Scala] 纯文本查看 复制代码

scala> rdd.partitions.size

res24: Int = 4
（3）对RDD重新分区

[Scala] 纯文本查看 复制代码

scala> var rdd2 = rdd.partitionBy(new org.apache.spark.HashPartitioner(2))

rdd2: org.apache.spark.rdd.RDD[(Int, String)] = ShuffledRDD[45] at partitionBy at <console>:26
（4）查看新RDD的分区数

[Scala] 纯文本查看 复制代码

scala> rdd2.partitions.size

res25: Int = 2

2 groupByKey案例
1. 作用：groupByKey也是对每个key进行操作，但只生成一个sequence。
2. 需求：创建一个pairRDD，将相同key对应值聚合到一个sequence中，并计算相同key对应值的相加结果。
（1）创建一个pairRDD

[Scala] 纯文本查看 复制代码

scala> val words = Array("one", "two", "two", "three", "three", "three")

words: Array[String] = Array(one, two, two, three, three, three)

[Scala] 纯文本查看 复制代码

scala> val wordPairsRDD = sc.parallelize(words).map(word => (word, 1))

wordPairsRDD: org.apache.spark.rdd.RDD[(String, Int)] = MapPartitionsRDD[4] at map at <console>:26
（2）将相同key对应值聚合到一个sequence中

[Scala] 纯文本查看 复制代码

scala> val group = wordPairsRDD.groupByKey()

group: org.apache.spark.rdd.RDD[(String, Iterable[Int])] = ShuffledRDD[5] at groupByKey at <console>:28
（3）打印结果

[Scala] 纯文本查看 复制代码

scala> group.collect()

res1: Array[(String, Iterable[Int])] = Array((two,CompactBuffer(1, 1)), (one,CompactBuffer(1)), (three,CompactBuffer(1, 1, 1)))
（4）计算相同key对应值的相加结果

[Scala] 纯文本查看 复制代码

scala> group.map(t => (t._1, t._2.sum))

res2: org.apache.spark.rdd.RDD[(String, Int)] = MapPartitionsRDD[6] at map at <console>:31
（5）打印结果

[Scala] 纯文本查看 复制代码

scala> res2.collect()

res3: Array[(String, Int)] = Array((two,2), (one,1), (three,3))

3 reduceByKey(func, [numTasks]) 案例
1. 在一个(K,V)的RDD上调用，返回一个(K,V)的RDD，使用指定的reduce函数，将相同key的值聚合到一起，reduce任务的个数可以通过第二个可选的参数来设置。
2. 需求：创建一个pairRDD，计算相同key对应值的相加结果
（1）创建一个pairRDD

[Scala] 纯文本查看 复制代码

scala> val rdd = sc.parallelize(List(("female",1),("male",5),("female",5),("male",2)))

rdd: org.apache.spark.rdd.RDD[(String, Int)] = ParallelCollectionRDD[46] at parallelize at <console>:24
（2）计算相同key对应值的相加结果

[Scala] 纯文本查看 复制代码

scala> val reduce = rdd.reduceByKey((x,y) => x+y)

reduce: org.apache.spark.rdd.RDD[(String, Int)] = ShuffledRDD[47] at reduceByKey at <console>:26
（3）打印结果

[Scala] 纯文本查看 复制代码

scala> reduce.collect()

res29: Array[(String, Int)] = Array((female,6), (male,7))

4 reduceByKey和groupByKey的区别
1. reduceByKey：按照key进行聚合，在shuffle之前有combine（预聚合）操作，返回结果RDD[k,v].
2. groupByKey：按照key进行分组，直接进行shuffle。
3. 开发指导：reduceByKey比groupByKey，建议使用。但是需要注意是否会影响业务逻辑。
5 aggregateByKey案例
参数：(zeroValue:U,[partitioner: Partitioner]) (seqOp: (U, V) => U,combOp: (U, U) => U)
1. 作用：在kv对的RDD中，，按key将value进行分组合并，合并时，将每个value和初始值作为seq函数的参数，进行计算，返回的结果作为一个新的kv对，然后再将结果按照key进行合并，最后将每个分组的value传递给combine函数进行计算（先将前两个value进行计算，将返回结果和下一个value传给combine函数，以此类推），将key与计算结果作为一个新的kv对输出。
2. 参数描述：
（1）zeroValue：给每一个分区中的每一个key一个初始值；
（2）seqOp：函数用于在每一个分区中用初始值逐步迭代value；
（3）combOp：函数用于合并每个分区中的结果。
3. 需求：创建一个pairRDD，取出每个分区相同key对应值的最大值，然后相加
4. 需求分析

图1-aggregate案例分析

（1）创建一个pairRDD

[Scala] 纯文本查看 复制代码

scala> val rdd = sc.parallelize(List(("a",3),("a",2),("c",4),("b",3),("c",6),("c",8)),2)

rdd: org.apache.spark.rdd.RDD[(String, Int)] = ParallelCollectionRDD[0] at parallelize at <console>:24
（2）取出每个分区相同key对应值的最大值，然后相加

[Scala] 纯文本查看 复制代码

scala> val agg = rdd.aggregateByKey(0)(math.max(_,_),_+_)

agg: org.apache.spark.rdd.RDD[(String, Int)] = ShuffledRDD[1] at aggregateByKey at <console>:26
（3）打印结果

[Scala] 纯文本查看 复制代码

scala> agg.collect()

res0: Array[(String, Int)] = Array((b,3), (a,3), (c,12))

6 foldByKey案例
参数：(zeroValue: V)(func: (V, V) => V): RDD[(K, V)]
1. 作用：aggregateByKey的简化操作，seqop和combop相同
2. 需求：创建一个pairRDD，计算相同key对应值的相加结果
（1）创建一个pairRDD

[Scala] 纯文本查看 复制代码

scala> val rdd = sc.parallelize(List((1,3),(1,2),(1,4),(2,3),(3,6),(3,8)),3)

rdd: org.apache.spark.rdd.RDD[(Int, Int)] = ParallelCollectionRDD[91] at parallelize at <console>:24
（2）计算相同key对应值的相加结果

[Scala] 纯文本查看 复制代码

scala> val agg = rdd.foldByKey(0)(_+_)

agg: org.apache.spark.rdd.RDD[(Int, Int)] = ShuffledRDD[92] at foldByKey at <console>:26
（3）打印结果

[Scala] 纯文本查看 复制代码

scala> agg.collect()

res61: Array[(Int, Int)] = Array((3,14), (1,9), (2,3))

7 combineByKey[C] 案例
参数：(createCombiner: V => C,  mergeValue: (C, V) => C,  mergeCombiners: (C, C) => C)
1.    作用：对相同K，把V合并成一个集合。
（1）createCombiner: combineByKey() 会遍历分区中的所有元素，因此每个元素的键要么还没有遇到过，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()会使用一个叫作createCombiner()的函数来创建那个键对应的累加器的初始值
（2）mergeValue: 如果这是一个在处理当前分区之前已经遇到的键，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
（3）mergeCombiners: 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同一个键的累加器，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。
3.    需求：创建一个pairRDD，根据key计算每种key的均值。（先计算每个key出现的次数以及可以对应值的总和，再相除得到结果）
4.    需求分析：

图2- combineByKey案例分析

（1）创建一个pairRDD

[Scala] 纯文本查看 复制代码

scala> val input = sc.parallelize(Array(("a", 88), ("b", 95), ("a", 91), ("b", 93), ("a", 95), ("b", 98)),2)

input: org.apache.spark.rdd.RDD[(String, Int)] = ParallelCollectionRDD[52] at parallelize at <console>:26
（2）将相同key对应的值相加，同时记录该key出现的次数，放入一个二元组

[Scala] 纯文本查看 复制代码

scala> val combine = input.combineByKey((_,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))

combine: org.apache.spark.rdd.RDD[(String, (Int, Int))] = ShuffledRDD[5] at combineByKey at <console>:28
（3）打印合并后的结果

[Scala] 纯文本查看 复制代码

scala> combine.collect

res5: Array[(String, (Int, Int))] = Array((b,(286,3)), (a,(274,3)))
（4）计算平均值

[Scala] 纯文本查看 复制代码

scala> val result = combine.map{case (key,value) => (key,value._1/value._2.toDouble)}

result: org.apache.spark.rdd.RDD[(String, Double)] = MapPartitionsRDD[54] at map at <console>:30
（5）打印结果

[Scala] 纯文本查看 复制代码

scala> result.collect()

res33: Array[(String, Double)] = Array((b,95.33333333333333), (a,91.33333333333333))

8 sortByKey([ascending], [numTasks]) 案例
1. 作用：在一个(K,V)的RDD上调用，K必须实现Ordered接口，返回一个按照key进行排序的(K,V)的RDD
2. 需求：创建一个pairRDD，按照key的正序和倒序进行排序
（1）创建一个pairRDD

[Scala] 纯文本查看 复制代码

scala> val rdd = sc.parallelize(Array((3,"aa"),(6,"cc"),(2,"bb"),(1,"dd")))

rdd: org.apache.spark.rdd.RDD[(Int, String)] = ParallelCollectionRDD[14] at parallelize at <console>:24
（2）按照key的正序

[Scala] 纯文本查看 复制代码

scala> rdd.sortByKey(true).collect()

res9: Array[(Int, String)] = Array((1,dd), (2,bb), (3,aa), (6,cc))
（3）按照key的倒序

[Scala] 纯文本查看 复制代码

scala> rdd.sortByKey(false).collect()

res10: Array[(Int, String)] = Array((6,cc), (3,aa), (2,bb), (1,dd))

9 mapValues案例
1. 针对于(K,V)形式的类型只对V进行操作
2. 需求：创建一个pairRDD，并将value添加字符串"|||"
（1）创建一个pairRDD

[Scala] 纯文本查看 复制代码

scala> val rdd3 = sc.parallelize(Array((1,"a"),(1,"d"),(2,"b"),(3,"c")))

rdd3: org.apache.spark.rdd.RDD[(Int, String)] = ParallelCollectionRDD[67] at parallelize at <console>:24
（2）对value添加字符串"|||"

[Scala] 纯文本查看 复制代码

scala> rdd3.mapValues(_+"|||").collect()

res26: Array[(Int, String)] = Array((1,a|||), (1,d|||), (2,b|||), (3,c|||))

10 join(otherDataset, [numTasks]) 案例
1. 作用：在类型为(K,V)和(K,W)的RDD上调用，返回一个相同key对应的所有元素对在一起的(K,(V,W))的RDD
2. 需求：创建两个pairRDD，并将key相同的数据聚合到一个元组。
（1）创建第一个pairRDD

[Scala] 纯文本查看 复制代码

scala> val rdd = sc.parallelize(Array((1,"a"),(2,"b"),(3,"c")))

rdd: org.apache.spark.rdd.RDD[(Int, String)] = ParallelCollectionRDD[32] at parallelize at <console>:24
（2）创建第二个pairRDD

[Scala] 纯文本查看 复制代码

scala> val rdd1 = sc.parallelize(Array((1,4),(2,5),(3,6)))

rdd1: org.apache.spark.rdd.RDD[(Int, Int)] = ParallelCollectionRDD[33] at parallelize at <console>:24
（3）join操作并打印结果

[Scala] 纯文本查看 复制代码

scala> rdd.join(rdd1).collect()

res13: Array[(Int, (String, Int))] = Array((1,(a,4)), (2,(b,5)), (3,(c,6)))

11 cogroup(otherDataset, [numTasks]) 案例
1. 作用：在类型为(K,V)和(K,W)的RDD上调用，返回一个(K,(Iterable<V>,Iterable<W>))类型的RDD
2. 需求：创建两个pairRDD，并将key相同的数据聚合到一个迭代器。
（1）创建第一个pairRDD

[Scala] 纯文本查看 复制代码

scala> val rdd = sc.parallelize(Array((1,"a"),(2,"b"),(3,"c")))

rdd: org.apache.spark.rdd.RDD[(Int, String)] = ParallelCollectionRDD[37] at parallelize at <console>:24
（2）创建第二个pairRDD

[Scala] 纯文本查看 复制代码

scala> val rdd1 = sc.parallelize(Array((1,4),(2,5),(3,6)))

rdd1: org.apache.spark.rdd.RDD[(Int, Int)] = ParallelCollectionRDD[38] at parallelize at <console>:24
（3）cogroup两个RDD并打印结果

[Scala] 纯文本查看 复制代码

scala> rdd.cogroup(rdd1).collect()

res14: Array[(Int, (Iterable[String], Iterable[Int]))] = Array((1,(CompactBuffer(a),CompactBuffer(4))), (2,(CompactBuffer(b),CompactBuffer(5))), (3,(CompactBuffer(c),CompactBuffer(6))))