章节目录
combineByKey
函数定义
def combineByKey[C](createCombiner: (V) => C, mergeValue: (C, V) => C, mergeCombiners: (C, C) => C): RD
-
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() 会使用一个叫作 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。
案例
计算学生平均成绩
scala版本
创建一个学生成绩说明的类
case class ScoreDetail(studentName:String, subject:String, score:Int)
下面是一些测试数据,加载测试数据集合 key = Students name and value = ScoreDetail instance
val scores = List(
ScoreDetail("xiaoming", "Math", 98),
ScoreDetail("xiaoming", "English", 88),
ScoreDetail("wangwu", "Math", 75),
ScoreDetail("wangwu", "English", 78),
ScoreDetail("lihua", "Math", 90),
ScoreDetail("lihua", "English", 80),
ScoreDetail("zhangsan", "Math", 91),
ScoreDetail("zhangsan", "English", 80))
将集合转换成二元组,也可以理解成转换成一个map,利用 for 和 yield 的组合
val scoresWithKey: List[(String, ScoreDetail)] = for {
i <- scores} yield (i.studentName,i)
创建RDD,并且指定三个分区
val scoresWithKeyRDD: RDD[(String, ScoreDetail)] = sc.parallelize(scoreWithKey).partitionBy(new HashPartitioner(3)).cache()
输出打印一下各个分区的长度和各个分区的一些数据
//输出每个分区的长度
scoresWithKeyRDD.foreachPartition(partition => println(partition.length))
println("-------------------------------")
//输出分区迭代结果(输出元组形式)
scoresWithKeyRDD.collect.foreach(println