Spark常用函式之鍵值RDD轉換+例項
RDD:彈性分散式資料集,是一種特殊集合 ‚ 支援多種來源 ‚ 有容錯機制 ‚ 可以被快取 ‚ 支援並行操作,一個RDD代表一個分割槽裡的資料集
RDD有兩種操作運算元:
Transformation(轉換):Transformation屬於延遲計算,當一個RDD轉換成另一個RDD時並沒有立即進行轉換,僅僅是記住 了資料集的邏輯操作
Ation(執行):觸發Spark作業的執行,真正觸發轉換運算元的計算
本系列主要講解Spark中常用的函式操作:
1.RDD基本轉換
2.鍵-值RDD轉換
3.Action操作篇
本節所講函式
1.mapValus(fun):對[K,V]型資料中的V值map操作
(例1):對每個的的年齡加2
1 2 3 4 5 6 7 8 9 10 |
"map" )
|
輸出:
(mobin,24) (kpop,22) (lufei,25)
(RDD依賴圖:紅色塊表示一個RDD區,黑色塊表示該分割槽集合,下同)
2.flatMapValues(fun):對[K,V]型資料中的V值flatmap操作
(例2):
1 2 3 4 |
|
輸出:
(mobin,22) (mobin,male) (kpop,20) (kpop,male) (lufei,23) (lufei,male)
如果是mapValues會輸出:
(mobin,List(22, male)) (kpop,List(20, male)) (lufei,List(23, male))
(RDD依賴圖)
3.comineByKey(createCombiner,mergeValue,mergeCombiners,partitioner,mapSideCombine)
comineByKey(createCombiner,mergeValue,mergeCombiners,numPartitions)
comineByKey(createCombiner,mergeValue,mergeCombiners)
createCombiner:在第一次遇到Key時建立組合器函式,將RDD資料集中的V型別值轉換C型別值(V => C),
如例3:
mergeValue:合併值函式,再次遇到相同的Key時,將createCombiner道理的C型別值與這次傳入的V型別值合併成一個C型別值(C,V)=>C,
如例3:
mergeCombiners:合併組合器函式,將C型別值兩兩合併成一個C型別值
如例3:
partitioner:使用已有的或自定義的分割槽函式,預設是HashPartitioner
mapSideCombine:是否在map端進行Combine操作,預設為true
注意前三個函式的引數型別要對應;第一次遇到Key時呼叫createCombiner,再次遇到相同的Key時呼叫mergeValue合併值
(例3):統計男性和女生的個數,並以(性別,(名字,名字....),個數)的形式輸出
1 2 3 4 5 6 7 8 9 10 11 12 13 14 |
|
輸出:
(male,(List(Lufei, Kpop, Mobin),3)) (female,(List(Amy, Lucy),2))
過程分解:
Partition1: K="male" --> ("male","Mobin") --> createCombiner("Mobin") => peo1 = ( List("Mobin") , 1 ) K="male" --> ("male","Kpop") --> mergeValue(peo1,"Kpop") => peo2 = ( "Kpop" :: peo1_1 , 1 + 1 ) //Key相同呼叫mergeValue函式對值進行合併 K="female" --> ("female","Lucy") --> createCombiner("Lucy") => peo3 = ( List("Lucy") , 1 ) Partition2: K="male" --> ("male","Lufei") --> createCombiner("Lufei") => peo4 = ( List("Lufei") , 1 ) K="female" --> ("female","Amy") --> createCombiner("Amy") => peo5 = ( List("Amy") , 1 ) Merger Partition: K="male" --> mergeCombiners(peo2,peo4) => (List(Lufei,Kpop,Mobin)) K="female" --> mergeCombiners(peo3,peo5) => (List(Amy,Lucy))
(RDD依賴圖)
foldByKey(zeroValue,partitioner)(func)
foldByKey(zeroValue,numPartitiones)(func)
foldByKey函式是通過呼叫CombineByKey函式實現的
zeroVale:對V進行初始化,實際上是通過CombineByKey的createCombiner實現的 V => (zeroValue,V),再通過func函式對映成新的值,即func(zeroValue,V),如例4可看作對每個V先進行 V=> 2 + V
func: Value將通過func函式按Key值進行合併(實際上是通過CombineByKey的mergeValue,mergeCombiners函式實現的,只不過在這裡,這兩個函式是相同的)
例4:
1 2 3 4 5 |
|
輸出:
(Amy,2) (Mobin,4) (Lucy,6)
先對每個V都加2,再對相同Key的value值相加。
5.reduceByKey(func,numPartitions):按Key進行分組,使用給定的func函式聚合value值, numPartitions設定分割槽數,提高作業並行度
例5
1 2 3 4 5 6 |
|
輸出:
(A,5) (A,4)
(RDD依賴圖)
6.groupByKey(numPartitions):按Key進行分組,返回[K,Iterable[V]],numPartitions設定分割槽數,提高作業並行度
例6:
1 2 3 4 5 6 |
|
輸出:
(B,CompactBuffer(2, 3)) (A,CompactBuffer(1, 2))
以上foldByKey,reduceByKey,groupByKey函式最終都是通過呼叫combineByKey函式實現的
7.sortByKey(accending,numPartitions):返回以Key排序的(K,V)鍵值對組成的RDD,accending為true時表示升序,為false時表示降序,numPartitions設定分割槽數,提高作業並行度
例7:
1 2 3 4 5 6 |
|
輸出:
(A,1) (A,2) (B,2) (B,3)
8.cogroup(otherDataSet,numPartitions):對兩個RDD(如:(K,V)和(K,W))相同Key的元素先分別做聚合,最後返回(K,Iterator<V>,Iterator<W>)形式的RDD,numPartitions設定分割槽數,提高作業並行度
例8:
1 2 3 4 5 6 7 8 |
|
輸出:
(B,(CompactBuffer(2, 3),CompactBuffer(B1, B2))) (A,(CompactBuffer(1, 2),CompactBuffer(A1, A2)))
(RDD依賴圖)
9.join(otherDataSet,numPartitions):對兩個RDD先進行cogroup操作形成新的RDD,再對每個Key下的元素進行笛卡爾積,numPartitions設定分割槽數,提高作業並行度
例9
1 2 3 4 5 6 7 |
|
輸出:
(B,(2,B1)) (B,(2,B2)) (B,(3,B1)) (B,(3,B2)) (A,(1,A1)) (A,(1,A2)) (A,(2,A1)) (A,(2,A2)
(RDD依賴圖)
10.LeftOutJoin(otherDataSet,numPartitions):左外連線,包含左RDD的所有資料,如果右邊沒有與之匹配的用None表示,numPartitions設定分割槽數,提高作業並行度
例10:
1 2 3 4 5 6 7 8 |
|
輸出:
(B,(2,Some(B1))) (B,(2,Some(B2))) (B,(3,Some(B1))) (B,(3,Some(B2))) (C,(1,None)) (A,(1,Some(A1))) (A,(1,Some(A2))) (A,(2,Some(A1))) (A,(2,Some(A2)))
11.RightOutJoin(otherDataSet, numPartitions):右外連線,包含右RDD的所有資料,如果左邊沒有與之匹配的用None表示,numPartitions設定分割槽數,提高作業並行度
例11:
1 2 3 4 5 6 7 8 |
|
輸出:
(B,(Some(2),B1)) (B,(Some(2),B2)) (B,(Some(3),B1)) (B,(Some(3),B2)) (C,(None,C1)) (A,(Some(1),A1)) (A,(Some(1),A2)) (A,(Some(2),A1)) (A,(Some(2),A2))