Spark基础：（三）Spark 键值对操作

1、pair RDD的简介

Spark为包含键值对类型的RDD提供了一些专有的操作，这些RDD就被称为pair RDD
那么如何创建pair RDD呢？ 在不同的语言中有着不同的创建方式
在python和Scala语言中创建的方式都是差不多的。
在java语言中：
java用户还需要调用专门的Spark函数mapToPair()来创建pair RDD。例如：

 //映射,word -> (word,1)
        JavaPairRDD<String,Integer> rdd3 = rdd2.mapToPair(new PairFunction<String, String, Integer>() {
            public Tuple2<String, Integer> call(String s) throws Exception {
                return new Tuple2<String, Integer>(s,1);
            }
        });

2、pair RDD常见的转化操作

（1）以键值对{（1,2），（3,4），（3,6）}为例子

rdd.reduceByKey((x,y)=>x+y) ===> {(1,2),(3,10)}
rdd.groupByKey() ===> {(1,[2]),(3,[4,6])}
rdd.mapValues(x=>x+1) ===> {(1,3),(3,5),(3,7)}
rdd.flatMapValues(x=>(x to 5)) ===> {(1,2),(1,3),(1,4),(1,5)，(3,4)，(3,5)}

（2）针对两个pair RDD的转化,以键值对rdd={（1,2），（3,4），（3,6）}和orther={(3,9)}

rdd.substractByKey(orther) ==> {(1,2)} #删除相同的
rdd.join(orther) ==> {(3,(4,9)),(3,(6,9))}
rdd.rightOuterJoin(orther) ==> {(3,(Some(4),9)),(3,(Some(6),9))}
rdd.leftOuterJoin(orther) ==> {(1,(2,None)),(3,(4,Some(9))),(3,(6,Some(9)))}
rdd.cogroupn(orther) ==> {(1,([2],[])),(3,([4,6],[9]))} #将两个RDD中相同的键的数据分组

（3）聚合操作
如reduceByKey()前面已经讲过，此处不再赘述。

并行度调优： 每个RDD都有自己固定的数目的分区，分区数决定了RDD上的执行操作的并行度，在执行聚合或者分组操作时，可以要求Spark使用给定的分区数。Spark始终尝试根据集群的大小推断一些有意义默认值。但是，有时候可以根据并行度的调优来获取更好的性能要求。

Spark还提供了repartition()函数，他会把数据通过网络进行混洗，并创建出新的分区集合，但是对数据进行重新分区是代价比较大的操作。为此，Spark提供了一款优化版的repartition()，叫coalesce()。（我们可以通过rdd.getNumPartitions查看RDD的分区）

（4）分组操作
如groupByKey()前面已经讲过，此处不再赘述。需要注意的是：返回的是[K,Iterable[V]]类型

（5）连接操作
join的操作，前面已经简单介绍

（6）数据排序
rdd.sortByKey() #注意要提供自定义的比较函数

3、pair RDD的行动操作

以键值对{（1,2），（3,4），（3,6）}为例子

rdd.countByKey() ===> {（1,1）,(3,2)} #统计键出现的次数
rdd.collectAsMap() ===> Map{（1,2），（3,4），（3,6）} #返回的Map 便于查询
rdd.lookup(3) ===> [4,6] #返回给定键对应的所有值

4、数据分区

自定义分区并且持久化降低网络通信的开销
例如：Scala实现的例子

val sc=new SparkContext(…) val
userData=sc.sequenceFile[UserID,UserInfo](“hdfs://…”)
.partitionBy(new HashPartitioner(100)) //构造100个分区
.persist()

同样的我们还可以通过partitioner方法来获取RDD的分区方式