Spark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

扫描二维码关注公众号，回复： 3753571 查看本文章

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）

JavaRDDrdd = 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