spark算子知识整理2

前面有关RDD的理论已经说过其中一点就是RDD是由一系列的分区组成,所以RDD也提供了和分区相关的一系列算子,这次需要整理的是分区迭代器、重设分区以及countByKey、groupByKey等算子

package com.debug;

import java.util.ArrayList;
import java.util.Arrays;
import java.util.Iterator;
import java.util.List;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.Function2;
import org.apache.spark.api.java.function.VoidFunction;

public class UseRDD04 {

	public static void main(String[] args) {
		SparkConf conf=new SparkConf();
		conf.setMaster("local");
		conf.setAppName("WordCountApp");
		
		JavaSparkContext sc=new JavaSparkContext(conf);
		
		
		List<String>  arr=Arrays.asList("上海","北京","昆明","深圳","长沙","合肥");
		JavaRDD<String> rdd1=sc.parallelize(arr,3);
		
		JavaRDD<String> rdd2=rdd1.mapPartitionsWithIndex(new Function2<Integer, Iterator<String>, Iterator<String>>() {

			public Iterator<String> call(Integer index, Iterator<String> iter) throws Exception {
				List<String> arr=new ArrayList<>();
				while(iter.hasNext()) {
					arr.add(iter.next()+"-"+index);
				}
				return arr.iterator();
			}
		
		},true);
		
		JavaRDD<String> rdd3=rdd2.coalesce(2, false);
		
		rdd3.foreach(new VoidFunction<String>() {
			
			public void call(String city) throws Exception {
				System.out.println(city);
				
			}
		});
		
		sc.stop();

	}

}

这里需要注意理解的是coalesce()方法和rePartition()方法,区别是coalesce()方法的参数shuffle默认设置为false,repartition()方法就是coalesce()方法shuffle为true的情况;shuffle就是磁盘的数据写入和读取的过程,如果为宽依赖则有shuffle过程,窄依赖则没有。如有疑问可以参考下面的文章

https://blog.csdn.net/lzq20115395/article/details/80602071

接下来再补充两个算子,作为算子知识整理的最后一段代码

package com.debug;

import java.util.Arrays;
import java.util.List;
import java.util.Map;
import java.util.Map.Entry;
import java.util.Set;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.VoidFunction;

import scala.Tuple2;

public class UseRDD06 {

	public static void main(String[] args) {
		SparkConf conf=new SparkConf();
		conf.setMaster("local");
		conf.setAppName("rdd06");
		
		JavaSparkContext sc=new JavaSparkContext(conf);
		
		List<Tuple2<String, Integer>> arr=Arrays.asList(
				new Tuple2<String, Integer>("u1", 20),
				new Tuple2<String, Integer>("u1", 15),
				new Tuple2<String, Integer>("u2", 18),
				new Tuple2<String, Integer>("u3", 20),
				new Tuple2<String, Integer>("u4", 20),
				new Tuple2<String, Integer>("u5", 100)
		);
		JavaPairRDD<String, Integer> rdd=sc.parallelizePairs(arr);
		
		Map<String,Object> m=rdd.countByKey();
		Set<Entry<String, Object>> se=m.entrySet();
		for(Entry<String, Object> en:se) {
			String key=en.getKey();
			String value=en.getValue().toString();
			
			System.out.println(key+","+value);
		}
		
		JavaPairRDD<String, Iterable<Integer>> rdd2=rdd.groupByKey();
		rdd2.foreach(new VoidFunction<Tuple2<String,Iterable<Integer>>>() {
			
			public void call(Tuple2<String, Iterable<Integer>> tup) throws Exception {
				System.out.println(tup);
				
			}
		});
		
		sc.stop();

	}

}

reduceByKey和groupByKey在本人看来区别主要是reduceByKey会对分组好的数据进行计算,groupByKey则只是分好组不作计算

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值