4）Spark（RDD编程2）

RDD编程2

Key-Value类型：

partitionBy

//作用：对pairRDD进行分区操作，如果原有的partionRDD和现有的partionRDD是一致的话就不进行分区， 
//否则会生成ShuffleRDD，即会产生shuffle过程

//案例:创建一个4个分区的RDD，对其重新分区
val rdd = sc.parallelize(Array((1,"aaa"),(2,"bbb"),(3,"ccc"),(4,"ddd")),4)
rdd.partitions.size//Int = 4
val rdd2 = rdd.partitionBy(new org.apache.spark.HashPartitioner(2))
rdd2.partitions.size//Int = 2
rdd.collect//Array[(Int, String)] = Array((1,aaa), (2,bbb), (3,ccc), (4,ddd))
rdd2.collect//Array[(Int, String)] = Array((2,bbb), (4,ddd), (1,aaa), (3,ccc)) 

groupByKey

//作用：groupByKey也是对每个key进行操作，但只生成一个sequence

//案例：创建一个pairRDD，将相同key对应值聚合到一个sequence中，并计算相同key对应值的相加结果
val words = Array("one", "two", "two", "three", "three", "three")
val wordPairsRDD = sc.parallelize(words).map(word => (word, 1))
val group = wordPairsRDD.groupByKey()
group.collect()
 // Array[(String, Iterable[Int])] =Array((two,CompactBuffer(1, 1)),(one,CompactBuffer(1)),(three,CompactBuffer(1, 1, 1)))
 group.map(t=>(t._1,t._2.sum)).collect
 //Array[(String,Int)] = Array((two,2), (one,1), (three,3))

reduceByKey(func, [numTasks])

//作用:在一个(K,V)的RDD上调用，返回一个(K,V)的RDD，
//使用指定的reduce函数，将相同key的值聚合到一起，reduce任务的个数可以通过第二个可选的参数来设置

//案例:创建一个pairRDD，计算相同key对应值的相加结果
val rdd = sc.parallelize(List(("female",1),("male",5),("female",5),("male",2)))
val red = rdd.reduceByKey((x,y)=>x+y)
red.collect
//Array[(String, Int)] = Array((female,6), (male,7))

reduceByKey和groupByKey的区别

• reduceByKey：按照key进行聚合，在shuffle之前有combine（预聚合）操作，返回结果是RDD[k,v]
• groupByKey：按照key进行分组，直接进行shuffle

aggregateByKey

/*参数：(zeroValue:U,[partitioner: Partitioner])(seqOp:(U, V) => U,combOp: (U, U) => U)
 *zeroValue:给每一个分区中的每一个key一个初始值
 *seqOp:函数用于在每一个分区中用初始值逐步迭代value
 *combOp:函数用于合并每个分区中的结果
*/
//作用:在kv对的RDD中，按key将value进行分组合并，
//合并时，将每个value和初始值作为seq函数的参数，进行计算，返回的结果作为一个新的kv对，
//然后再将结果按照key进行合并，最后将每个分组的value传递给combine函数进行计算
//（先将前两个value进行计算，将返回结果和下一个value传给combine函数，以此类推），
//将key与计算结果作为一个新的kv对输出

//案例:创建一个pairRDD，取出每个分区相同key对应值的最大值，然后相加
val rdd = sc.parallelize(List(("a",3),("a",2),("c",4),("b",3),("c",6),("c",8)),2)
val agg =rdd.aggregateByKey(math.max(_,_),_+_)
agg.collect
//Array[(String, Int)] = Array((b,3), (a,3), (c,12))

foldByKey

//参数：(zeroValue: V)(func: (V, V) => V):RDD[(K, V)]

//作用:aggregateByKey的简化操作，seqop和combop相同

//案例:创建一个pairRDD，计算相同key对应值的相加结果
val rdd = sc.parallelize(List((1,3),(1,2),(1,4),(2,3),(3,6),(3,8)),3)
val res = rdd.foldByKey(0)(_+_)
res.collect
//Array[(Int, Int)] = Array((3,14), (1,9), (2,3))

combineByKey[C]

/*参数:(createCombiner: V => C,  mergeValue: (C, V) => C,  mergeCombiners: (C, C) => C)
 * createCombiner:
 *   combineByKey() 会遍历分区中的所有元素，因此每个元素的键要么还没有遇到过，要么就
 *   和之前的某个元素的键相同。如果这是一个新的元素,combineByKey()会使用一个叫createCombiner()
 *   的函数来创建那个键对应的累加器的初始值;
 * mergeValue:
 *   如果这是一个在处理当前分区之前已经遇到的键，
 *   它会使用mergeValue()方法将该键的累加器对应的当前值与这个新的值进行合并;
 * mergeCombiners:
 *   由于每个分区都是独立处理的， 因此对于同一个键可以有多个累加器。
 *   如果有两个或者更多的分区都有对应同一个键的累加器,
 *   就需要使用用户提供的 mergeCombiners() 方法将各个分区的结果进行合并
 */
//作用:对相同K，把V合并成一个集合

//案例:创建一个pairRDD，根据key计算每种key的均值
//(先计算每个key出现的次数以及可以对应值的总和，再相除得到结果)
sc.parallelize(Array(("a", 88), ("b", 95), ("a", 91), ("b", 93), ("a", 95), ("b", 98)),2)
val combine = input.combineByKey((_,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))
combine.collect
//Array[(String, (Int, Int))] = Array((b,(286,3)), (a,(274,3)))

sortByKey([ascending],[numTasks])

//作用:在一个(K,V)的RDD上调用，K必须实现Ordered接口，返回一个按照key进行排序的(K,V)的RDD

//案例:创建一个pairRDD，按照key的正序和倒序进行排序
 val rdd = sc.parallelize(Array((3,"aa"),(6,"cc"),(2,"bb"),(1,"dd")))
 rdd.sortByKey(true).collect
 //Array[(Int, String)] = Array((1,dd), (2,bb), (3,aa), (6,cc))
 rdd.sortByKey(false).collect
 //Array[(Int, String)] = Array((6,cc), (3,aa), (2,bb), (1,dd))

mapValues

//作用：针对于(K,V)形式的类型只对V进行操作

//案例：
val rdd3 = sc.parallelize(Array((1,"a"),(1,"d"),(2,"b"),(3,"c")))
rdd3.mapValues(_+"|||").collect()
//Array[(Int, String)] = Array((1,a|||), (1,d|||), (2,b|||), (3,c|||))

join(otherDataset,[numTasks])

//作用:在类型为(K,V)和(K,W)的RDD上调用，返回一个相同key对应的所有元素对在一起的(K,(V,W))的RDD

//案例:创建两个pairRDD，并将key相同的数据聚合到一个元组
val rdd = sc.parallelize(Array((1,"a"),(2,"b"),(3,"c")))
val rdd1 = sc.parallelize(Array((1,4),(2,5),(3,6)))
rdd.join(rdd1).collect
//Array[(Int, (String, Int))] = Array((2,(b,5)), (1,(a,4)), (3,(c,6)))  

cogroup(otherDataset,[numTasks])

//作用:在类型为(K,V)和(K,W)的RDD上调用，返回一个(K,(Iterable<V>,Iterable<W>))类型的RDD

//案例:创建两个pairRDD，并将key相同的数据聚合到一个迭代器
val rdd = sc.parallelize(Array((1,"a"),(2,"b"),(3,"c")))
val rdd1 = sc.parallelize(Array((1,4),(2,5),(3,6)))
rdd.cogroup(rdd1).collect()
// Array[(Int, (Iterable[String], Iterable[Int]))] = 
// Array((2,(CompactBuffer(b),CompactBuffer(5))), 
// (1,(CompactBuffer(a),CompactBuffer(4))), (3,(CompactBuffer(c),CompactBuffer(6))))

综合案例：
数据结构：时间戳，省份，城市，用户，广告，中间字段使用空格分割;
样本如下:
1516609143867 6 7 64 16
1516609143869 9 4 75 18
1516609143869 1 7 87 12
需求：统计出每一个省份广告被点击次数的TOP3
实现过程:

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

object Practice{
	def main(args: Array[String]): Unit={
		// 1 初始化spark配置信息并建立与spark的连接
		val sparkConf = new SparkConf.setMaster("Local[*]").setAppName(Parctice)
		val sc = new SparkContext(sparkConf)

		// 2 读取数据，生成RDD：TS，Province，City，User，AD
		val line = sc.textFile("E:\\IDEAWorkSpace\\SparkTest\\src\\main\\resources\\agent.log")
		
		// 3 按照最小颗粒度聚合：((Provence，AD)，1)
		val provinceAdToOne = line.map{ x =>
			val fields: Array[String] = x.split(" ")
			((fields[1],fields[4]),1)
		}
		
		// 4 计算每个省中每个广告被点击的总次数：((Province，AD)，sum)
		val provinceAdToSum = provinceAdToOne.reduceByKey(_+_) 
		
		// 5 将省份作为key，广告加点击数为value：(Province,(AD,sum))
		val provinceToKey = provinceAdToSum.map(x=>(x._1._1,(x._1._2, x._2)))

		// 6 将同一个省份的所有广告进行聚合(Province,List((AD1,sum1),(AD2,sum2)...))
		val provinceGroup = provinceToKey.groupByKey()
		
		// 7 对同一个省份所有广告的集合进行排序并取前3条，排序规则为广告点击总数
		val provinceAdTop3 = provinceGroup.mapValues { x =>
			x.toList.sortWith((x, y) => x._2 > y._2).take(3)
    		}
    		
    		// 8 将数据拉取到Driver端并打印
    		provinceAdTop3.collect().foreach(println)
		
		// 9 关闭与spark的连接
		sc.stop()
	}
}