6.spark core之鍵值對操作

??鍵值對RDD（pair RDD）是spark中許多操作所需要的常見數據類型，通常用來進行聚合計算。

創建Pair RDD

??spark有多種方式可以創建pair RDD。比如：很多存儲鍵值對的數據格式在讀取時直接返回pair RDD；通過map()算子將普通的RDD轉為pair RDD。

scala

# 使用第一個單詞作為鍵創建一個pair RDD
val pairs = lines.map(x => (x.split(" ")(0), x))

java

# 使用第一個單詞作為鍵創建一個pair RDD
# jdk1.8后也支持lambda表達式方式
PairFunction<String, String, String> keyData = new PairFunction<String, String, String>() {
  public Tuple2<String, String> call(String x) {
    return new Tuple2(x.split(" ")[0], x);
  }
};
JavaPairRDD<String, String> pairs = lines.mapToPair(keyData);

python

# 使用第一個單詞作為鍵創建一個pair RDD
pairs = lines.map(lambda x: (x.split(" ")[0], x))

??從一個內存中的數據集創建pair RDD時，scala和python只需要對這個二元組集合調用SparkContext的parallelize()方法即可；而java需要使用SparkContext.parallelizePairs()方法。

pair RDD轉化操作

轉化操作總覽

針對單個Pair RDD的轉化操作

針對兩個Pair RDD的轉化操作

聚合

• 使用mapValues()和reduceByKey()計算每個鍵對應值的均值。

scala

rdd.mapValues(x => (x, 1)).reduceByKey((x, y) => (x._1 + y._1, x._2 + y._2))

python

rdd.mapValues(lambda x: (x, 1)).reduceByKey(lambda x, y: (x[0] + y[0], x[1] + y[1]))

• 使用flatMap()、map()和reduceByKey()計算單詞統計

scala

val input = sc.textFile("s3://...")
val words = input.flatMap(x => x.split(" "))
val result = words.map(x => (x, 1)).reduceByKey((x, y) => x + y)

java

JavaRDD<String> input = sc.textFile("s3://...");
JavaRDD<String> words = input.flatMap(new FlatMapFunction<String, String>() {
   public Iterable<String> call(String x) {
        return Arrays.asList(x.split(" "));
   }
});
JavaPairRDD<String, Integer> result = words.mapToPair(new PairFunction<String, String, Integer>() {
  public Tuple2<String, Integer> call(String x) {
    return new Tuple2(x, 1);
  }
}).reduceByKey(
    new Function2<Integer, Integer, Integer>() {
        public Integer call(Integer a, Integer b) {
            return a + b;
        }
    }
)

python

rdd = sc.textFile("s3://...")
words = rdd.flatMap(lambda x: x.split(" "))
result = words.map(lambda x: (x, 1)).reduceByKey(lambda x, y: x + y)

• 使用combineByKey()返回與輸入數據不同類型的返回值，求每個鍵對應的平均值

  執行原理
  1.combineByKey()作用于rdd的每個分區。
  2.如果訪問的元素在分區中第一次出現，就使用createCombiner()方法創建那個鍵對應累加器的初始值。
  3.如果訪問的元素在當前分區已經出現過，就使用mergeValue()方法將該鍵的累加器對應的當前值和新值合并。
  4.如果有兩個或多個分區都有對應同一個鍵的累加器時，就使用mergeCombiners()方法將各個分區的結果進行合并。

scala

val result = rdd.combineByKey(v => (v, 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)).map{case (key, value) => (key, value._1 / value._2.toFloat)}

java

public static class AvgCount implements Serializable {
    public int total_;
    public int num_;
    public AvgCount(int total, int num) {
        total_ = total;
        num_ = num;
    }
    public float avg() {
        return total_/(float)num_;
    }
}

Function<Integer, AvgCount> createAcc = new Function<Integer, AvgCount>() {
    public AvgCount call(Integer x) {
        return new AvgCount(x, 1);
    }
};

Function2<AvgCount, Integer, AvgCount> addAndCount = new Function2<AvgCount, Integer, AvgCount>() {
    public AvgCount call(AvgCount a, Integer x) {
        a.total_ += x;
        a.num_ += 1;
        return a;
    }
};

Function2<AvgCount, AvgCount, AvgCount> combine = new Function2<AvgCount, AvgCount, AvgCount>() {
    public AvgCount call(AvgCount a, AvgCount b) {
        a.total_ += b.total_;
        a.num_ += b.num_;
        return a;
    }
};

AvgCount initial = new AvgCount(0, 0);
JavaPairRDD<String, AvgCount> avgCounts = input.combineByKey(createAcc, addAndCount, combine);
Map<String, AvgCount> countMap = avgCounts.collectAsMap();
for (Entry<String, AvgCount> entry : countMap.entrySet()) {
    System.out.println(entry.getKey() + ":" + entry.getValue().avg());
}

python

sumCount = input.combineByKey((lambda x: (x, 1)), (lambda x, y: (x[0] + y, x[1] + 1)), (lambda x, y: (x[0] + y[0], x[1] + y[1])))
sumCount.map(lambda key, xy: (key, xy[0]/xy[1])).collectAsMap()

分組

??對于單個RDD數據進行分組時，使用groupByKey()。如果先使用groupByKey()，再使用reduce()或fold()時，可能使用一種根據鍵進行聚合的函數更高效。比如，rdd.reduceByKey(func)與rdd.groupByKey().mapValues(value => value.reduce(func))等價，但前者更高效，因為避免了為每個鍵存放值列表的步驟。

??對多個共享同一個鍵的RDD進行分組時，使用cogroup()。cogroup方法會得到結果RDD類型為[(K, (Iterable[V], Iterable[W]))]。

連接

??將一組有鍵的數據與另一組有鍵的數據連接使用是對鍵值對數據執行的常用操作。連接方式主要有：內連接、左外連接、右外連接。

val storeAddress = sc.parallelize(Seq((Store("Ritual"), "1026 Valencia St"), (Store("Philz"), "748 Van Ness Ave"), (Store("Philz"), "3101 24th St"), (Store("Starbucks"), "Seattle")))
val storeRating = sc.parallelize(Seq(Store("Ritual"), 4.9), (Store("Philz"), 4.8)))
# 內連接
storeAddress.join(storeRating)
#左外連接
storeAddress.leftOuterJoin(storeRating)
#右外連接
storeAddress.rightOuterJoin(storeRating)

排序

??將數據排序輸出是很常見的場景。sortByKey()函數接收一個叫做ascending的參數，表示是否讓結果升序排序(默認true)。有時，也可以提供自定義比較函數。比如，以字符串順序對整數進行自定義排序。

scala

implicit val sortIntegersByString = new Ordering[Int] {
    override def compare(a: Int, b: Int) = a.toString.compare(b.toString)
}
rdd.sortByKey()

java

class IntegerComparator implements Comparator<Integer> {
    public int compare(Integer a, Integer b) {
        return String.valueOf(a).compareTo(String.valueOf(b))
    }
}
rdd.sortByKey(new IntegerComparator());

python

rdd.sortByKey(ascending=True, numPartitions=None, keyfunc=lambda x: str(x))

Pair RDD行動操作

??和轉化操作一樣，所有基礎RDD支持的行動操作也都在pair RDD上可用。另外，Pair RDD提供了一些額外的行動操作。

忠于技術，熱愛分享。歡迎關注公眾號：java大數據編程，了解更多技術內容。