RDD之五：Key-Value型Transformation算子

Transformation处理的数据为Key-Value形式的算子大致可以分为：输入分区与输出分区一对一、聚集、连接操作。

输入分区与输出分区一对一

mapValues

mapValues：针对（Key，Value）型数据中的Value进行Map操作，而不对Key进行处理。 

方框代表RDD分区。a=>a+2代表只对（ V1， 1）数据中的1进行加2操作，返回结果为3。

源码：

 

[plain] view plain copy
 
 在CODE上查看代码片派生到我的代码片
  1. /**  
  2.  * Pass each value in the key-value pair RDD through a map function without changing the keys;  
  3.  * this also retains the original RDD's partitioning.  
  4.  */  
  5. def mapValues[U](f: V => U): RDD[(K, U)] = {  
  6.   val cleanF = self.context.clean(f)  
  7.   new MapPartitionsRDD[(K, U), (K, V)](self,  
  8.     (context, pid, iter) => iter.map { case (k, v) => (k, cleanF(v)) },  
  9.     preservesPartitioning = true)  
  10. }  

 

单个RDD或两个RDD聚集

（1）combineByKey

combineByKey是对单个Rdd的聚合。相当于将元素为（Int，Int）的RDD转变为了（Int，Seq[Int]）类型元素的RDD。 
定义combineByKey算子的说明如下：

  • createCombiner： V => C， 在C不存在的情况下，如通过V创建seq C。
  • mergeValue：(C, V) => C， 当C已经存在的情况下，需要merge，如把item V加到seq 
    C中，或者叠加。
  • mergeCombiners：(C,C) => C，合并两个C。
  • partitioner： Partitioner（分区器），Shuffle时需要通过Partitioner的分区策略进行分区。
  • mapSideCombine： Boolean=true， 为了减小传输量，很多combine可以在map端先做。例如， 叠加可以先在一个partition中把所有相同的Key的Value叠加， 再shuffle。
  • serializerClass：String=null，传输需要序列化，用户可以自定义序列化类。


方框代表RDD分区。 通过combineByKey，将（V1，2）、 （V1，1）数据合并为（V1，Seq（2，1））。

源码：

 

[plain] view plain copy
 
 在CODE上查看代码片派生到我的代码片
  1. /**  
  2.  * Generic function to combine the elements for each key using a custom set of aggregation  
  3.  * functions. Turns an RDD[(K, V)] into a result of type RDD[(K, C)], for a "combined type" C  
  4.  * Note that V and C can be different -- for example, one might group an RDD of type  
  5.  * (Int, Int) into an RDD of type (Int, Seq[Int]). Users provide three functions:  
  6.  *  
  7.  * - `createCombiner`, which turns a V into a C (e.g., creates a one-element list)  
  8.  * - `mergeValue`, to merge a V into a C (e.g., adds it to the end of a list)  
  9.  * - `mergeCombiners`, to combine two C's into a single one.  
  10.  *  
  11.  * In addition, users can control the partitioning of the output RDD, and whether to perform  
  12.  * map-side aggregation (if a mapper can produce multiple items with the same key).  
  13.  */  
  14. def combineByKey[C](createCombiner: V => C,  
  15.     mergeValue: (C, V) => C,  
  16.     mergeCombiners: (C, C) => C,  
  17.     partitioner: Partitioner,  
  18.     mapSideCombine: Boolean = true,  
  19.     serializer: Serializer = null): RDD[(K, C)] = {  
  20.   require(mergeCombiners != null, "mergeCombiners must be defined") // required as of Spark 0.9.0  
  21.   if (keyClass.isArray) {  
  22.     if (mapSideCombine) {  
  23.       throw new SparkException("Cannot use map-side combining with array keys.")  
  24.     }  
  25.     if (partitioner.isInstanceOf[HashPartitioner]) {  
  26.       throw new SparkException("Default partitioner cannot partition array keys.")  
  27.     }  
  28.   }  
  29.   val aggregator = new Aggregator[K, V, C](  
  30.     self.context.clean(createCombiner),  
  31.     self.context.clean(mergeValue),  
  32.     self.context.clean(mergeCombiners))  
  33.   if (self.partitioner == Some(partitioner)) {  
  34.     self.mapPartitions(iter => {  
  35.       val context = TaskContext.get()  
  36.       new InterruptibleIterator(context, aggregator.combineValuesByKey(iter, context))  
  37.     }, preservesPartitioning = true)  
  38.   } else {  
  39.     new ShuffledRDD[K, V, C](self, partitioner)  
  40.       .setSerializer(serializer)  
  41.       .setAggregator(aggregator)  
  42.       .setMapSideCombine(mapSideCombine)  
  43.   }  
  44. }  
  45.   
  46. /**  
  47.  * Simplified version of combineByKey that hash-partitions the output RDD.  
  48.  */  
  49. def combineByKey[C](createCombiner: V => C,  
  50.     mergeValue: (C, V) => C,  
  51.     mergeCombiners: (C, C) => C,  
  52.     numPartitions: Int): RDD[(K, C)] = {  
  53.   combineByKey(createCombiner, mergeValue, mergeCombiners, new HashPartitioner(numPartitions))  
  54. }  

 

（2）reduceByKey

reduceByKey是更简单的一种情况，只是两个值合并成一个值，所以createCombiner很简单，就是直接返回v，而mergeValue和mergeCombiners的逻辑相同，没有区别。

方框代表RDD分区。 通过用户自定义函数（A，B）=>（A+B），将相同Key的数据（V1，2）、（V1，1）的value相加，结果为（V1，3）。

源码：

 

[plain] view plain copy
 
 在CODE上查看代码片派生到我的代码片
  1. /**  
  2.  * Merge the values for each key using an associative reduce function. This will also perform  
  3.  * the merging locally on each mapper before sending results to a reducer, similarly to a  
  4.  * "combiner" in MapReduce.  
  5.  */  
  6. def reduceByKey(partitioner: Partitioner, func: (V, V) => V): RDD[(K, V)] = {  
  7.   combineByKey[V]((v: V) => v, func, func, partitioner)  
  8. }  
  9.   
  10. /**  
  11.  * Merge the values for each key using an associative reduce function. This will also perform  
  12.  * the merging locally on each mapper before sending results to a reducer, similarly to a  
  13.  * "combiner" in MapReduce. Output will be hash-partitioned with numPartitions partitions.  
  14.  */  
  15. def reduceByKey(func: (V, V) => V, numPartitions: Int): RDD[(K, V)] = {  
  16.   reduceByKey(new HashPartitioner(numPartitions), func)  
  17. }  
  18.   
  19. /**  
  20.  * Merge the values for each key using an associative reduce function. This will also perform  
  21.  * the merging locally on each mapper before sending results to a reducer, similarly to a  
  22.  * "combiner" in MapReduce. Output will be hash-partitioned with the existing partitioner/  
  23.  * parallelism level.  
  24.  */  
  25. def reduceByKey(func: (V, V) => V): RDD[(K, V)] = {  
  26.   reduceByKey(defaultPartitioner(self), func)  
  27. }  

 

（3）partitionBy

partitionBy函数对RDD进行分区操作。 
如果原有RDD的分区器和现有分区器（partitioner）一致，则不重分区，如果不一致，则相当于根据分区器生成一个新的ShuffledRDD。 

方框代表RDD分区。 通过新的分区策略将原来在不同分区的V1、 V2数据都合并到了一个分区。

源码：

 

[plain] view plain copy
 
 在CODE上查看代码片派生到我的代码片
  1. /**  
  2.  * Return a copy of the RDD partitioned using the specified partitioner.  
  3.  */  
  4. def partitionBy(partitioner: Partitioner): RDD[(K, V)] = {  
  5.   if (keyClass.isArray && partitioner.isInstanceOf[HashPartitioner]) {  
  6.     throw new SparkException("Default partitioner cannot partition array keys.")  
  7.   }  
  8.   if (self.partitioner == Some(partitioner)) {  
  9.     self  
  10.   } else {  
  11.     new ShuffledRDD[K, V, V](self, partitioner)  
  12.   }  
  13. }  

 

（4）cogroup

cogroup函数将两个RDD进行协同划分。对在两个RDD中的Key-Value类型的元素，每个RDD相同Key的元素分别聚合为一个集合，并且返回两个RDD中对应Key的元素集合的迭代器(K, (Iterable[V], Iterable[w]))。其中，Key和Value，Value是两个RDD下相同Key的两个数据集合的迭代器所构成的元组。

大方框代表RDD，大方框内的小方框代表RDD中的分区。 将RDD1中的数据（U1，1）、（U1，2）和RDD2中的数据（U1，2）合并为（U1，（（1，2），（2）））。

源码：

 

[plain] view plain copy
 
 在CODE上查看代码片派生到我的代码片
  1. /**  
  2.  * For each key k in `this` or `other1` or `other2` or `other3`,  
  3.  * return a resulting RDD that contains a tuple with the list of values  
  4.  * for that key in `this`, `other1`, `other2` and `other3`.  
  5.  */  
  6. def cogroup[W1, W2, W3](other1: RDD[(K, W1)],  
  7.     other2: RDD[(K, W2)],  
  8.     other3: RDD[(K, W3)],  
  9.     partitioner: Partitioner)  
  10.     : RDD[(K, (Iterable[V], Iterable[W1], Iterable[W2], Iterable[W3]))] = {  
  11.   if (partitioner.isInstanceOf[HashPartitioner] && keyClass.isArray) {  
  12.     throw new SparkException("Default partitioner cannot partition array keys.")  
  13.   }  
  14.   val cg = new CoGroupedRDD[K](Seq(self, other1, other2, other3), partitioner)  
  15.   cg.mapValues { case Array(vs, w1s, w2s, w3s) =>  
  16.      (vs.asInstanceOf[Iterable[V]],  
  17.        w1s.asInstanceOf[Iterable[W1]],  
  18.        w2s.asInstanceOf[Iterable[W2]],  
  19.        w3s.asInstanceOf[Iterable[W3]])  
  20.   }  
  21. }  
  22.   
  23. /**  
  24.  * For each key k in `this` or `other`, return a resulting RDD that contains a tuple with the  
  25.  * list of values for that key in `this` as well as `other`.  
  26.  */  
  27. def cogroup[W](other: RDD[(K, W)], partitioner: Partitioner)  
  28.     : RDD[(K, (Iterable[V], Iterable[W]))]  = {  
  29.   if (partitioner.isInstanceOf[HashPartitioner] && keyClass.isArray) {  
  30.     throw new SparkException("Default partitioner cannot partition array keys.")  
  31.   }  
  32.   val cg = new CoGroupedRDD[K](Seq(self, other), partitioner)  
  33.   cg.mapValues { case Array(vs, w1s) =>  
  34.     (vs.asInstanceOf[Iterable[V]], w1s.asInstanceOf[Iterable[W]])  
  35.   }  
  36. }  
  37.   
  38. /**  
  39.  * For each key k in `this` or `other1` or `other2`, return a resulting RDD that contains a  
  40.  * tuple with the list of values for that key in `this`, `other1` and `other2`.  
  41.  */  
  42. def cogroup[W1, W2](other1: RDD[(K, W1)], other2: RDD[(K, W2)], partitioner: Partitioner)  
  43.     : RDD[(K, (Iterable[V], Iterable[W1], Iterable[W2]))] = {  
  44.   if (partitioner.isInstanceOf[HashPartitioner] && keyClass.isArray) {  
  45.     throw new SparkException("Default partitioner cannot partition array keys.")  
  46.   }  
  47.   val cg = new CoGroupedRDD[K](Seq(self, other1, other2), partitioner)  
  48.   cg.mapValues { case Array(vs, w1s, w2s) =>  
  49.     (vs.asInstanceOf[Iterable[V]],  
  50.       w1s.asInstanceOf[Iterable[W1]],  
  51.       w2s.asInstanceOf[Iterable[W2]])  
  52.   }  
  53. }  
  54.   
  55. /**  
  56.  * For each key k in `this` or `other1` or `other2` or `other3`,  
  57.  * return a resulting RDD that contains a tuple with the list of values  
  58.  * for that key in `this`, `other1`, `other2` and `other3`.  
  59.  */  
  60. def cogroup[W1, W2, W3](other1: RDD[(K, W1)], other2: RDD[(K, W2)], other3: RDD[(K, W3)])  
  61.     : RDD[(K, (Iterable[V], Iterable[W1], Iterable[W2], Iterable[W3]))] = {  
  62.   cogroup(other1, other2, other3, defaultPartitioner(self, other1, other2, other3))  
  63. }  
  64.   
  65. /**  
  66.  * For each key k in `this` or `other`, return a resulting RDD that contains a tuple with the  
  67.  * list of values for that key in `this` as well as `other`.  
  68.  */  
  69. def cogroup[W](other: RDD[(K, W)]): RDD[(K, (Iterable[V], Iterable[W]))] = {  
  70.   cogroup(other, defaultPartitioner(self, other))  
  71. }  
  72.   
  73. /**  
  74.  * For each key k in `this` or `other1` or `other2`, return a resulting RDD that contains a  
  75.  * tuple with the list of values for that key in `this`, `other1` and `other2`.  
  76.  */  
  77. def cogroup[W1, W2](other1: RDD[(K, W1)], other2: RDD[(K, W2)])  
  78.     : RDD[(K, (Iterable[V], Iterable[W1], Iterable[W2]))] = {  
  79.   cogroup(other1, other2, defaultPartitioner(self, other1, other2))  
  80. }  
  81.   
  82. /**  
  83.  * For each key k in `this` or `other`, return a resulting RDD that contains a tuple with the  
  84.  * list of values for that key in `this` as well as `other`.  
  85.  */  
  86. def cogroup[W](other: RDD[(K, W)], numPartitions: Int): RDD[(K, (Iterable[V], Iterable[W]))] = {  
  87.   cogroup(other, new HashPartitioner(numPartitions))  
  88. }  
  89.   
  90. /**  
  91.  * For each key k in `this` or `other1` or `other2`, return a resulting RDD that contains a  
  92.  * tuple with the list of values for that key in `this`, `other1` and `other2`.  
  93.  */  
  94. def cogroup[W1, W2](other1: RDD[(K, W1)], other2: RDD[(K, W2)], numPartitions: Int)  
  95.     : RDD[(K, (Iterable[V], Iterable[W1], Iterable[W2]))] = {  
  96.   cogroup(other1, other2, new HashPartitioner(numPartitions))  
  97. }  
  98.   
  99. /**  
  100.  * For each key k in `this` or `other1` or `other2` or `other3`,  
  101.  * return a resulting RDD that contains a tuple with the list of values  
  102.  * for that key in `this`, `other1`, `other2` and `other3`.  
  103.  */  
  104. def cogroup[W1, W2, W3](other1: RDD[(K, W1)],  
  105.     other2: RDD[(K, W2)],  
  106.     other3: RDD[(K, W3)],  
  107.     numPartitions: Int)  
  108.     : RDD[(K, (Iterable[V], Iterable[W1], Iterable[W2], Iterable[W3]))] = {  
  109.   cogroup(other1, other2, other3, new HashPartitioner(numPartitions))  
  110. }  

 

连接

（1）join

join对两个需要连接的RDD进行cogroup函数操作。cogroup操作之后形成的新RDD，对每个key下的元素进行笛卡尔积操作，返回的结果再展平，对应Key下的所有元组形成一个集合，最后返回RDD[(K，(V，W))]。
join的本质是通过cogroup算子先进行协同划分，再通过flatMapValues将合并的数据打散。 

对两个RDD的join操作示意图。 大方框代表RDD，小方框代表RDD中的分区。函数对拥有相同Key的元素（例如V1）为Key，以做连接后的数据结果为（V1，（1，1））和（V1，（1，2））。

源码：

 

[plain] view plain copy
 
 在CODE上查看代码片派生到我的代码片
  1. /**  
  2.  * Return an RDD containing all pairs of elements with matching keys in `this` and `other`. Each  
  3.  * pair of elements will be returned as a (k, (v1, v2)) tuple, where (k, v1) is in `this` and  
  4.  * (k, v2) is in `other`. Uses the given Partitioner to partition the output RDD.  
  5.  */  
  6. def join[W](other: RDD[(K, W)], partitioner: Partitioner): RDD[(K, (V, W))] = {  
  7.   this.cogroup(other, partitioner).flatMapValues( pair =>  
  8.     for (v <- pair._1.iterator; w <- pair._2.iterator) yield (v, w)  
  9.   )  
  10. }  

 

（2）leftOuterJoin和rightOuterJoin

LeftOuterJoin（左外连接）和RightOuterJoin（右外连接）相当于在join的基础上先判断一侧的RDD元素是否为空，如果为空，则填充为空。 如果不为空，则将数据进行连接运算，并返回结果。

源码：

 

[plain] view plain copy
 
 在CODE上查看代码片派生到我的代码片
  1. /**  
  2.  * Perform a left outer join of `this` and `other`. For each element (k, v) in `this`, the  
  3.  * resulting RDD will either contain all pairs (k, (v, Some(w))) for w in `other`, or the  
  4.  * pair (k, (v, None)) if no elements in `other` have key k. Uses the given Partitioner to  
  5.  * partition the output RDD.  
  6.  */  
  7. def leftOuterJoin[W](other: RDD[(K, W)], partitioner: Partitioner): RDD[(K, (V, Option[W]))] = {  
  8.   this.cogroup(other, partitioner).flatMapValues { pair =>  
  9.     if (pair._2.isEmpty) {  
  10.       pair._1.iterator.map(v => (v, None))  
  11.     } else {  
  12.       for (v <- pair._1.iterator; w <- pair._2.iterator) yield (v, Some(w))  
  13.     }  
  14.   }  
  15. }  
  16.   
  17. /**  
  18.  * Perform a right outer join of `this` and `other`. For each element (k, w) in `other`, the  
  19.  * resulting RDD will either contain all pairs (k, (Some(v), w)) for v in `this`, or the  
  20.  * pair (k, (None, w)) if no elements in `this` have key k. Uses the given Partitioner to  
  21.  * partition the output RDD.  
  22.  */  
  23. def rightOuterJoin[W](other: RDD[(K, W)], partitioner: Partitioner)  
  24.     : RDD[(K, (Option[V], W))] = {  
  25.   this.cogroup(other, partitioner).flatMapValues { pair =>  
  26.     if (pair._1.isEmpty) {  
  27.       pair._2.iterator.map(w => (None, w))  
  28.     } else {  
  29.       for (v <- pair._1.iterator; w <- pair._2.iterator) yield (Some(v), w)  
  30.     }  
  31.   }  
  32. }  

原文链接：http://blog.csdn.net/jasonding1354

posted on 2017-01-20 20:47  duanxz  阅读(1023)  评论(0)  编辑  收藏  举报

Powered by: 博客园 Copyright © 2024 duanxz
Powered by .NET 9.0 on Kubernetes