Spark算子 - groupBy

释义

根据RDD中的某个属性进行分组，分组后形式为(k, [(k, v1), (k, v2), ...])，即groupBy 后组内元素会保留key值
方法签名如下：

def groupBy[K](f: T => K)(implicit kt: ClassTag[K]): RDD[(K, Iterable[T])] = withScope {
   ...
}

f: 分组操作。输入类型为T，操作过程为K，最后RDD形式为K, 迭代器(T)的形式，即同上所述形式

案例

查看每个科目有哪些学生选择

object TestGroupBy {
  def main(args: Array[String]): Unit = {
    val conf: SparkConf = new SparkConf().setAppName("TestReduceByKey").setMaster("local[1]")
    val sc: SparkContext = new SparkContext(conf)
    val data = Array(("Science", "Jack"), ("Science", "Tom"), ("Music", "Nancy"), ("Sport", "Tom"), ("Music", "Tony"))
    val result: Array[(String, Iterable[(String, String)])] = sc.parallelize(data)
      .groupBy(v => v._1)
      .collect()
    result.foreach(println)
  }
}

输出

(Music,CompactBuffer((Music,Nancy), (Music,Tony)))
(Science,CompactBuffer((Science,Jack), (Science,Tom)))
(Sport,CompactBuffer((Sport,Tom)))

解释

1. 根据v._1即名字进行分组，分组后key为名字，value为CompactBuffer

• 这是Spark定义的结构（源码），类似于Scala原生的ArrayBuffer，但比后者性能更好
• CompactBuffer 继承自序列，因此它很容易的进行遍历和迭代，可以把它理解成一个列表

2. 分组后，CompactBuffer 中的值会保留调用groupBy时的RDD格式