鍵值對RDD是Spark中許多操作所需要的常見資料型別。
“分割槽”是用來讓我們控制鍵值對RDD在各節點上分佈情況的高階特性。使用可控的分割槽方式把常在一起被訪問的資料放在同一個節點上,可以大大減少應用的通訊開銷,帶來明顯的效能提升。
4.1 動機
Spark為pair RDD提供了並行操作各個鍵或跨節點重新進行資料分組的操作介面。
4.2 建立Pair RDD
當需要把一個普通的RDD轉為pair RDD時,可以呼叫map()函式來實現。下例為如何將由文字行組成的RDD轉換為以每行的第一個單詞為鍵的pair RDD。
例4-1: 在Python中使用第一個單詞作為鍵建立出一個pair RDD
pairs = lines.map(lambda x: (x.split(" ")[0], x))
例4-2: 在Scala中使用第一個單詞作為鍵建立出一個pair RDD
val pairs = lines.map(x => (x.split(" ")(0), x))
4.3 Pair RDD的轉化操作
Pair RDD可以使用所有標準RDD上的可用的轉化操作。
Pair RDD的轉化操作(以鍵值對集合{(1,2),(3,4),(3,6)})為例:
rdd.reduceByKey((x, y)=>x+y) 結果:{(1,2), (3,10)}
rdd.groupByKey() 結果:{(1,[2]),(3,[4,6])}
rdd.mapValues(x => x+1) 結果:{(1,3),(3,5),(3,7)}
rdd.keys() 結果:{1,3,3}
rdd.values() 結果:{2,4,6}
rdd.sortByKey() 結果:{(1,2),(3,4),(3,6)}
篩選掉長度超過20個字元的行,如下:
例4-4: 用Python對第二個元素進行篩選
result = pairs.filter(lambda keyValue: len(keyValue[1]<20))
例4-5: 用Scala對第二個元素進行篩選、
pairs.filter{case (key, value) => value.length < 20}
4.3.1 聚合操作
使用reduceByKey()和mapValues()來計算每個鍵的對應值的均值。
例4-7:在Python中使用reduceByKey()和mapValues()計算每個鍵對應的平均值
rdd.mapValues(lambda x:(x, 1)).reduceByKey(lambda x, y: (x[0]+y[0], x[1]+y[1]))
例4-8:在Python中使用reduceByKey()和mapValues()計算每個鍵對應的平均值
rdd.mapValues(x => (x, 1)).reduceByKey((x, y) => (x._1 + y._1, x._2 + y._2))
解決分散式單詞計數問題如下
例4-9: 用Python實現單詞計數
rdd = sc.textFile("s3://...") words = rdd.flatMap(lambda x: x.split(" ")) result = words.map(lambda x: (x, 1)).reduceByKey(lambda x, y:x+y)
例4-10: 用Scala實現單詞計數
val input = sc.textFile("s3://...") val words = input.flatMap(x => x.split(" ")) val result = words.map(x => (x, 1)).reduceByKey((x, y) => x+y)
我們可以使用countByValue()函式,以更快地實現單詞計數:input.flatMap(x => x.split(" ")).countByValue().
Spark怎樣確定如何分割工作:每個RDD都有固定數目的分割槽,分割槽數決定了在RDD上執行操作時的並行度。
例4-15: 在Python中自定義reduceByKey()的並行度
data = [("a", 3), ("b", 4), ("a", 1)] sc.parallelize(data).reduceByKey(lambda x, y: x+y, 10)
4.3.2 資料分組
略
4.3.3 連線
連線資料操作:將有鍵的資料與另一組有鍵的資料一起使用。連線方式:右外連線、左外連線、交叉連線以及內連線。
例4-17:在Scala shell中進行內連線
storeAddress = { (Store("Ritual"), "AAA"), (Store("Philz"), "BBB"), (Store("Philz"), "CCC"), (Store("Starbucks"), "DDD")} storeRating = { (Store("Ritual"), 4.9), (Store("Philz"), 4.8)} storeAddress.rightOuterJoin(storeRating) == { (Store("Ritual"), "AAA", 4.9)), (Store("Philz"), "BBB", 4.8)), (Store("Philz"), "CCC", 4.8))}
例4-18:leftOuterJoin()與rightOuterJoin()
storeAddress = { (Store("Ritual"), "AAA"), (Store("Philz"), "BBB"), (Store("Philz"), "CCC"), (Store("Starbucks"), "DDD")} storeRating = { (Store("Ritual"), 4.9), (Store("Philz"), 4.8)} storeAddress.rightOuterJoin(storeRating) == { (Store("Ritual"), (Some("AAA"), 4.9)), (Store("Philz"), (Some("BBB"), 4.8)), (Store("Philz"), (Some("CCC"), 4.8))} storeAddress.leftOuterJoin(storeRating) == { (Store("Ritual"), ("AAA", Some(4.9))), (Store("Starbucks"),("DDD",None)), (Store("Philz"), ("BBB", Some(4.8))), (Store("Philz"), ("CCC", Some(4.8)))}
4.3.4 資料排序
略