spark行列转换 spark的转换操作

转载

mob64ca14061c9e 2023-11-25 10:20:50

文章标签 spark行列转换 1024程序员节 spark 大数据 scala 文章分类 Spark 大数据

1.RDD 转换算子

RDD转换算子实际上就是换了名称的RDD方法

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

算子：Operator(操作)

RDD的方法和Scala集合对象的方法不一样
集合对象的方法都是在同一个节点的内存中完成的
RDD的方法可以将计算逻辑发送到Executor端(分布式节点)执行
为了区分不同的处理效果，所以将RDD的方法较为算子
RDD的方法外部的操作都是在Driver端口执行的，而方法内部的逻辑代码实在Executor端执行的

Value 类型

就是123，单值的类型

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
    }
)
// 简写
val dataRDD1: RDD[Int] = dataRDD.map(_*2 )
val dataRDD2: RDD[String] = dataRDD1.map(
    num => {
        "" + num
    }
)

小案例：从服务器日志数据 apache.log 中获取用户请求 URL 资源路径

$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-IfJdpGki-1666614515911)(C:\Users\大牛逼pluspro\AppData\Roaming\Typora\typora-user-images\image-20221020143212267.png)]$

def main(args: Array[String]): Unit = {

    val sparkConf = new SparkConf().setMaster("local[*]").setAppName("spark")
    val sparkContext = new SparkContext(sparkConf)

    val fileRDD: RDD[String]  = sparkContext.textFile("datas/apache.log")

    // 长的字符串改成短的字符串
    val mapRDD:RDD[String] = fileRDD.map(
        line => {
            val datas = line.split(" ")
            datas(6)
        }
    )
    mapRDD.collect().foreach(println)
    sparkContext.stop()
}

RDD的计算一个分区内的数据是一个一个执行逻辑，只有前面一个数据全部逻辑执行完毕后，才会执行下一个数据，分区内数据是有序的
不同分区之间数据的执行是无序的，如果说分区1为1与3，分区2为2与4，那么就会把一个分区执行完才走下一个分区
>>>>>>>>>3 >>>>>>>>>1 #########3 #########1 >>>>>>>>>4 >>>>>>>>>2 #########4 #########2

def main(args: Array[String]): Unit = {

    val sparkConf = new SparkConf().setMaster("local[*]").setAppName("spark")
    val sparkContext = new SparkContext(sparkConf)
	// 如果分区为一，数据是一个一个执行的，如果为2，就会无序执行
    val dataRDD: RDD[Int] = sparkContext.makeRDD(List(1,2,3,4),2)
    val dataRDD1: RDD[Int] = dataRDD.map(
        num => {
            println(">>>>>>>>>" + num)
            num
        }
    )

    val dataRDD2: RDD[Int] = dataRDD1.map(
        num => {
            println("#########" + num)
            num
        }
    )

    dataRDD2.collect()
    sparkContext.stop()
}

mapPartitions

函数签名

def mapPartitions[U: ClassTag](
    f: Iterator[T] => Iterator[U],
    preservesPartitioning: Boolean = false): RDD[U]

函数说明：

存在一个数据缓冲区，将待处理的数据以分区为单位发送到计算节点(内存)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。但是会将整个分区的数据加载到内存中进行引用，因为存在对象的引用，所以处理完的数据是不会释放掉的，因此如果内存小且数据量大，容易出现内存溢出

有多少分区里面的代码就执行多少次，iter表示单个分区里面的全部数据

val dataRDD1: RDD[Int] = dataRDD.mapPartitions(
    iter => {
        iter.map(_ * 2)
    }
)

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

小案例：获取每个数据分区的最大值

def main(args: Array[String]): Unit = {

    val sparkConf = new SparkConf().setMaster("local[*]").setAppName("spark")
    val sparkContext = new SparkContext(sparkConf)

    val dataRDD: RDD[Int] = sparkContext.makeRDD(List(1, 2, 3, 4), 2)
    val dataRDD1: RDD[Int] = dataRDD.mapPartitions(
        iter => {
            List(iter.max).iterator
        }
    )

    dataRDD1.collect().foreach(println)
    sparkContext.stop()
}

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。

mapPartitionsWithIndex

函数签名

def mapPartitionsWithIndex[U: ClassTag](
    f: (Int, Iterator[T]) => Iterator[U],
    preservesPartitioning: Boolean = false): RDD[U]

函数说明

mapPartitions不能手动指定分区，因此，这个方法就在参数增加了分区编号，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。

// 把每一个数据的分区号与数据都拿出来，默认看你计算机cpu核数
val dataRDD: RDD[Int] = sparkContext.makeRDD(List(1, 2, 3, 4))
val dataRDD1  = dataRDD.mapPartitionsWithIndex(
    (index, iter) => {
        iter.map(
            num => {
                (index,num)
            }
        )
    }
)

小案例：获取第二个数据分区的数据

val dataRDD1: RDD[Int] = dataRDD.mapPartitionsWithIndex(
    (index, iter) => {
        if (index == 1) {
            iter
        } else {
            Nil.iterator
        }
    }
)

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("hello scala","hello spark"),1)

val dataRDD1 = dataRDD.flatMap(
    s => { 
        s.split(" ")
    }
)

小案例：将 List(List(1,2),3,List(4,5))进行扁平化操作

def main(args: Array[String]): Unit = {

    val sparkConf = new SparkConf().setMaster("local[*]").setAppName("spark")
    val sparkContext = new SparkContext(sparkConf)

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

    val dataRDD1 = dataRDD.flatMap(
        // 使用模式匹配，3不是集合就把3变成集合类型
        data => {
            data match{
                case list: List[_]  => list
                case something => List(something)
            }
        }
    )

    dataRDD1.collect().foreach(println)
    sparkContext.stop()
}

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集合进行处理，分区不变

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

val dataRDD1:RDD[Array[Int]] = dataRDD.glom()

小案例：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）

问题的关键就是将一个分区内的数据当成一个数组

def main(args: Array[String]): Unit = {

    val sparkConf = new SparkConf().setMaster("local[*]").setAppName("spark")
    val sparkContext = new SparkContext(sparkConf)
    val dataRDD = sparkContext.makeRDD(List(1, 2, 3, 4), 2)
    // 此时一个分区的数据，我们就将其变为了集合，一旦变成了集合，集合有大量的方法以供我们使用
    val glomRDD: RDD[Array[Int]] = dataRDD.glom()
    // 此时每个分区的最大值已经取出来了
    val MaxRDD:RDD[Int] = glomRDD.map(_.max)
    println(MaxRDD.collect().sum)
    sparkContext.stop()
}

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,groupBy会将数据源中的每一个数据进行分组判断，根据返回的分组key进行分组，相同的key值的数据会放置在一个组中

分组与分区没有必然关系

def main(args: Array[String]): Unit = {
	
    // 根据奇偶进行分组
    val sparkConf = new SparkConf().setMaster("local[*]").setAppName("spark")
    val sparkContext = new SparkContext(sparkConf)
    val dataRDD = sparkContext.makeRDD(List(1, 2, 3, 4), 2)
    val groupRDD = dataRDD.groupBy(_ % 2)
    groupRDD.collect().foreach(println)
    sparkContext.stop()
}

小案例：将 List(“Hello”, “hive”, “hbase”, “Hadoop”)根据单词首写字母进行分组。

def main(args: Array[String]): Unit = {

    // 根据首字母进行分组
    val sparkConf = new SparkConf().setMaster("local[*]").setAppName("spark")
    val sparkContext = new SparkContext(sparkConf)
    val dataRDD = sparkContext.makeRDD(List("Hello", "hive", "hbase", "Hadoop"), 2)
    val groupRDD = dataRDD.groupBy(_.charAt(0))
    groupRDD.collect().foreach(println)
    sparkContext.stop()
}

小案例：从服务器日志数据 apache.log 中获取每个时间段访问量。

def main(args: Array[String]): Unit = {

    // 根据首字母进行分组
    val sparkConf = new SparkConf().setMaster("local[*]").setAppName("spark")
    val sparkContext = new SparkContext(sparkConf)
    val fileRDD: RDD[String]  = sparkContext.textFile("datas/apache.log")

    val value = fileRDD.map(
        line => line.split(" ")(3).substring(11,13)
    ).groupBy(word => word).map(kv => (kv._1, kv._2.size))

    value.collect().foreach(println)
    sparkContext.stop()
}

def main(args: Array[String]): Unit = {

    // 根据首字母进行分组
    val sparkConf = new SparkConf().setMaster("local[*]").setAppName("spark")
    val sparkContext = new SparkContext(sparkConf)
    val fileRDD: RDD[String]  = sparkContext.textFile("datas/apache.log")

    val value = fileRDD.map(
        line => (line.split(" ")(3).substring(11,13),1)
    ).groupBy(_._1).map(kv => (kv._1,kv._2.size))

    value.collect().foreach(println)
    sparkContext.stop()
}

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。

val dataRDD = sparkContext.makeRDD(List(1,2,3,4),1)
val dataRDD1 = dataRDD.filter(_%2 == 0)

sample

函数签名

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；1：全取；
// 第三个参数：随机数种子
val dataRDD1 = dataRDD.sample(false, 0.5)
// 抽取数据放回（泊松算法）
// 第一个参数：抽取的数据是否放回，true：放回；false：不放回
// 第二个参数：重复数据的几率，范围大于等于 0.表示每一个元素被期望抽取到的次数
// 第三个参数：随机数种子
val dataRDD2 = dataRDD.sample(true, 2)

如果第三个参数的随机数种子确定，那么随机就会被确定，不管执行多少次结果都一样

问题：这个有啥用，抽奖吗？
使用场景：数据倾斜的时候可以利用

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

将数据集中重复的数据去重

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

val dataRDD1 = dataRDD.distinct()
val dataRDD2 = dataRDD.distinct(2)

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效率当 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，第二个参数shuffle为true，就会重现打乱

val dataRDD = sparkContext.makeRDD(List(1,2,3,4,1,2),6)
// 从6个分区缩小从2个分区
val dataRDD1 = dataRDD.coalesce(2)

**问题：**我想要扩大分区，怎么办？

val dataRDD = sparkContext.makeRDD(List(1,2,3,4,5,6),2)
// 从6个分区缩小从2个分区,一定要使用shuffle设定为true，不然只是多了一个分区没数据，没有任何意义
val dataRDD1 = dataRDD.coalesce(3,true)

简化操作：缩小分区使用coalesce，分区就使用repartition

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，repartition 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)

**问题：**coalesce 和 repartition 区别？

无区别，缩小分区使用coalesce，分区就使用repartition

sortBy

函数签名

def sortBy[K](
    f: (T) => K,
    ascending: Boolean = true,   // 默认清空下是true升序，改成false就是降序
    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，默认为升序排列。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

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

**问题：**如果两个 RDD 数据类型不一致怎么办？

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)

**问题：**如果两个 RDD 数据类型不一致怎么办？

subtract

函数签名

def subtract(other: RDD[T]): RDD[T]

函数说明

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)

**问题：**如果两个 RDD 数据类型不一致怎么办？

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)

打印输出
(1,3)
(2,4)
(3,5)
(4,6)

问题：

如果两个 RDD 数据类型不一致怎么办？
如果两个 RDD 数据分区不一致怎么办？
如果两个 RDD 分区数据数量不一致怎么办？

解答：交集并集差集要求两边数据源必须一直保持一样

拉链时候两个数据源要求分区数量保持一致，每个分区的元素数量也要一致

Key-Value 类型

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 HashPartitioner(2))

问题：

如果重分区的分区器和当前 RDD 的分区器一样怎么办？
Spark 还有其他分区器吗？
如果想按照自己的方法进行数据分区怎么办？

解答：

分区器一样的话，就会什么也不做
有
自己写一个分区器，查看HashPartitioner的源码，自己仿写

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

可以将相同的key的数据进行value数据的聚合操作，如果key只有一个，就不能进行两两运算，要求分区内与分区间计算规则相同

val dataRDD1 = sparkContext.makeRDD(List(("a",1),("a",2),("b",3)))
// 第一个_代表第一个value值，第二个_代表第二个value值，算完之后的值依次往下与下一个计算
val dataRDD2 = dataRDD1.reduceByKey(_+_)
val dataRDD3 = dataRDD1.reduceByKey(_+_,2)

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相同的key 对 value 进行分组，相同的key的数据分在一个组，形成一个元组，元组的第一个元素就是key，元组中的第二个元素就是相同key的value的集合

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 的角度：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，如果仅仅是分组而不需要聚合。那么还是只能使用 groupByKey
核心区别：reduceByKey会有一个预处理预聚合，聚合完成后，需要落盘的数据就大大减少

小案例：WordCount

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，分区内与分区间可以有不同的规则，最终返回数据结果与初始值的类型一致

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

小案例：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，主要用于碰见第一个key的时候，和value进行分区内计算，提供两两比较的初始值
// 2. 第二个参数列表中含有两个参数
// 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)

val resultRDD = rdd.aggregateByKey(10)(
    (x, y) => math.max(x,y),
    (x, y) => x + y
)
resultRDD.collect().foreach(println)

小案例：计算相同key的数据的平均值 => (a , 3) (b , 4)

def main(args: Array[String]): Unit = {
    // 根据首字母进行分组
    val sparkConf = new SparkConf().setMaster("local[*]").setAppName("spark")
    val sparkContext = new SparkContext(sparkConf)
    // 第一个零是计算的初始值，第二个零是出现次数
    val resultRDD = rdd.aggregateByKey((0,0))(
        // 第一次的t为a.(0,0)去除key的初始值(0,0)，v为第二个a,1去除key的1，依次往下计算
        (t,v) => {
            (t._1 + v,t._2 +1 )
        },
        // 因为是分区间，所以全是a的，第一次的t1为a,(3,2)去除a的(3,2),t2为a,(6,1)去除a的(6,1)
        (t1,t2) =>{
            (t1._1 + t2._1,t1._2 + t2._2)
        }
    )
    resultRDD.collect().foreach(println)
    // key不变，只对value做改变
    resultRDD.mapValues {
        case (num, cnt) => {
            num / cnt
        }
    }.collect().foreach(println)
    sparkContext.stop()
}

求平均值图解

$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-YlXuze1Y-1666614515912)(C:\Users\大牛逼pluspro\AppData\Roaming\Typora\typora-user-images\image-20221021213621865.png)]$

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）

val resultRDD = rdd.aggregateByKey(10)(
    (x, y) => x + y,
    (x, y) => x + y
)

或者使用下面的foldByKey

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 就可以简化为 foldByKey

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

combineByKey

函数签名

def combineByKey[C](
    createCombiner: V => C, // 将相同key的第一个数据进行结构的转换，实现操作
    mergeValue: (C, V) => C, // 分区内的计算规则
    mergeCombiners: (C, C) => C // 分区间的计算规则
): RDD[(K, C)]

函数说明

剔除了aggregateByKey中的初始值概念，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: RDD[(String, (Int, Int))] = 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)
)

问题：reduceByKey、foldByKey、aggregateByKey、combineByKey 的区别？

reduceByKey：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。

小案例：计算相同key的数据的平均值 => (a , 3) (b , 4)

def main(args: Array[String]): Unit = {

    // 根据首字母进行分组
    val sparkConf = new SparkConf().setMaster("local[*]").setAppName("spark")
    val sparkContext = new SparkContext(sparkConf)
    val rdd = sparkContext.makeRDD(List(("a", 1), ("a", 2), ("b", 3), ("b", 4), ("b", 5),("a", 6)), 2)
    // 第一个零是计算的初始值，第二个零是出现次数
    val resultRDD = rdd.combineByKey(
        v => (v,1),
        (x : (Int,Int),y) =>{
            (x._1 + y,x._2 +1 )
        },
        (t1: (Int,Int),t2: (Int,Int)) => {
            (t1._1 + t2._1,t1._2+t2._2)
        }
    )
    resultRDD.mapValues{
        case (num, cnt) => {
            num / cnt
        }
    }.collect().foreach(println)
    sparkContext.stop()
}

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)

小案例：设置 key 为自定义类 User

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

两个不同数据源的数据，相同的key的value会连接在一起，形成元组

如果两个数据源中key没有匹配上，那么数据不会出现在结果中

如果两个数据源中key有多个相同的，可能会依次匹配，出现笛卡尔积，数据呈现几何倍的增长

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)

#################
(1,(a,4))
(2,(b,5))
(3,(c,6))

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)

cogroup

函数签名

def cogroup[W](other: RDD[(K, W)]): RDD[(K, (Iterable[V], Iterable[W]))]

函数说明

相同的key放在一个组当中，然后连接在一起，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)
value.collect().foreach(println)

控制台打印
(a,(CompactBuffer(1, 2),CompactBuffer(1)))
(c,(CompactBuffer(3),CompactBuffer(2, 3)))

案例实操

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。

1516609143867 6 7 64 16
1516609143869 9 4 75 18
1516609143869 1 7 87 12
1516609143869 2 8 92 9
1516609143869 6 7 84 24

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
需求分析
缺什么补什么，多什么删什么
功能实现

package com.atguigu.bigdata.spark.core

import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.rdd.RDD

object Spark02_Demo1 {
    def main(args: Array[String]): Unit = {

        val sparkConf = new SparkConf().setMaster("local[*]").setAppName("spark")
        val sparkContext = new SparkContext(sparkConf)

        // 获取原始数据 时间戳，省份，城市，用户，广告
        val dataRDD = sparkContext.textFile("datas/agent.log")
        // 将结构数据进行转换 变成((省份，广告)，1),进行分组聚合
        val mapRDD = dataRDD.map{
            line => {
                val datas = line.split(" ")
                ((datas(1), datas(4)), 1)
            }
        }
        val reduceRDD = mapRDD.reduceByKey(_+_)
        // 将聚合的结果进行结构转换  ((省份，广告)，1) => (省份,(广告，sum))
        val newMapRDD = reduceRDD.map {
            // 有特定的格式就使用模式匹配
            case ((prv, ad), sum) => {
                (prv, (ad, sum))
            }
        }
        // 将转换结构后的数据根据省份进行分组 (省份,[(广告1，sum),(广告2，sum),(广告3，sum)])
        val groupRDD: RDD[(String, Iterable[(String, Int)])] = newMapRDD.groupByKey()
        // 将分组后的数据组内排序，然后取前3位
        val resultRDD = groupRDD.mapValues(
            iter => {
                // 迭代器需要转化为集合
                iter.toList.sortBy(_._2)(Ordering.Int.reverse).take(3)
            }
        )

        resultRDD.collect().foreach(println)
        sparkContext.stop()
    }
}

本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。