Spark学习笔记之键值对操作-Java篇（三）

内容简介：Spark学习笔记之键值对操作-Java篇（三）

一：简介

键值对 RDD 是 Spark 中许多操作所需要的常见数据类型。本章就来介绍如何操作键值对 RDD。键值对 RDD 通常用来进行聚合计算。我们一般要先通过一些初始 ETL(抽取、转 化、装载)操作来将数据转化为键值对形式。键值对 RDD 提供了一些新的操作接口(比如 统计每个产品的评论，将数据中键相同的分为一组，将两个不同的 RDD 进行分组合并等)。

二：创建Pair RDD 

在Spark中有很多种创建 pair RDD 的方式,此外，当需要把一个普通的RDD转为 pairRDD 时，可以调用 map() 函数来实现，传递的函数需要返回键值对

     public static JavaPairRDD createPairRDD() {
        List list = Arrays.asList(5, 4, 3, 2, 1, 6, 9, 5, 8, 9);
        SparkConf conf = new SparkConf().setMaster("local[2]").setAppName("PairRDDDemo");
        sc = new JavaSparkContext(conf);
        sc.setLogLevel("ERROR");
        JavaRDD rdd = sc.parallelize(list);
        PairFunction keyData = new PairFunction() {
            private static final long serialVersionUID = 1L;
            @Override
            public Tuple2 call(Integer x) throws Exception {
                return new Tuple2(x, x + 1);// 键值对转换,key=x ,value=x+1
            }
        };
        JavaPairRDD pairs = rdd.mapToPair(keyData);
        System.out.println("转换后的键值对=" + pairs.collect());
        return pairs;
    }

三：Pair RDD 转化成操作

1：相同键的值进行相加  reduceByKey

JavaPairRDD pair = pairs.reduceByKey((v1, v2) -> v1 + v2);

2：相同键的值进行分组 groupByKey

  JavaPairRDD<Integer, Iterable> rdd = pairs.groupByKey();

3：获取所以得 keys

     JavaRDD keys = pairs.keys();

4：获取全部的 values

    JavaRDD values = pairs.values();

5：根据键排序 sortByKey

   JavaPairRDD sortByKey = pairs.sortByKey();

6:相同的键值当中取出最大的那个键值对 如：[(1,2), (2,3), (3,4)，(3,8)] 结果就是[(1,2), (2,3),(3,8)] 

  JavaPairRDD max = pairs.reduceByKey((v1, v2) -> Math.max(v1, v2));

7:改变value的值 mapvalues

   JavaPairRDD mapValues = pairs.mapValues(v1 -> v1 + new Random().nextInt(10));

8:批量更改value的值 flatMapValues（和mapValues是有区别的）

    JavaPairRDD flatMapValues = pairs.flatMapValues(v1 -> Lists.newArrayList(10));

四：Pair RDD 行动操作

1：对每个键对应的元素分别计数 countByKey

   Map countByKey = pairs.countByKey();

2：将结果以映射表的形式返回，以便查询 collectAsMap

    Map collectAsMap = pairs.collectAsMap();

3：返回给定键对应的所有值 lookup

     List lookup = pairs.lookup(9);

五：RDD分区

1. 什么是分区

RDD 内部的数据集合在逻辑上（以及物理上）被划分成多个小集合，这样的每一个小集合被称为分区。RDDprdd作为一个分布式的数据集，是分布在多个worker节点上的。如下图所示，RDD1有五个分区（partition），他们分布在了四个worker nodes 上面，RDD2有三个分区，分布在了三个worker nodes上面。

2. 为什么要分区

分区的个数决定了并行计算的粒度。多个分区并行计算，能够充分利用计算资源。

3. 如何手动分区

java的分区可以这样（parallelize）

JavaRDD rdd = sc.parallelize(list, 2); // 这个是分区用了，指定创建得到的 RDD 分区个数为 2。

pairs.partitions().size() 分区数量查看

源码demo 

https://github.com/zhp8341/sparkdemo/blob/master/src/main/java/com/demo/spark/rdddemo/PairRDDDemo.java

以上就是本文的全部内容，希望本文的内容对大家的学习或者工作能带来一定的帮助，也希望大家多多支持 码农网

查看所有标签

猜你喜欢:

• Go Socket操作笔记
• Golang 笔记-文件读写操作
• 操作系统学习笔记-8：线程
• python file 文件操作笔记
• 操作系统学习笔记-7：进程通信
• 「Flask笔记」 sql基本操作

本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。