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
pairs.partitions().size() 分区数量查看
源码demo
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
猜你喜欢: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。