关键字：Spark算子、Spark RDD键值转换、combineByKey、foldByKey
combineByKey
def combineByKey[C](createCombiner: (V) => C, mergeValue: (C, V) => C, mergeCombiners: (C, C) => C): RDD[(K, C)]
def combineByKey[C](createCombiner: (V) => C, mergeValue: (C, V) => C, mergeCombiners: (C, C) => C, numPartitions: Int): RDD[(K, C)]
def combineByKey[C](createCombiner: (V) => C, mergeValue: (C, V) => C, mergeCombiners: (C, C) => C, partitioner: Partitioner, mapSideCombine: Boolean = true, serializer: Serializer = null): RDD[(K, C)]
该函数用于将RDD[K,V]转换成RDD[K,C],这里的V类型和C类型可以相同也可以不同。
其中的参数：
createCombiner：组合器函数，用于将V类型转换成C类型，输入参数为RDD[K,V]中的V,输出为C
mergeValue：合并值函数，将一个C类型和一个V类型值合并成一个C类型，输入参数为(C,V)，输出为C
mergeCombiners：合并组合器函数，用于将两个C类型值合并成一个C类型，输入参数为(C,C)，输出为C
numPartitions：结果RDD分区数，默认保持原有的分区数
partitioner：分区函数,默认为HashPartitioner
mapSideCombine：是否需要在Map端进行combine操作，类似于MapReduce中的combine，默认为true
看下面例子：
scala> var rdd1 = sc.makeRDD(Array(("A",1),("A",2),("B",1),("B",2),("C",1))) rdd1: org.apache.spark.rdd.RDD[(String, Int)] = ParallelCollectionRDD[64] at makeRDD at :21 scala> rdd1.combineByKey( | (v : Int) => v + "_", | (c : String, v : Int) => c + "@" + v, | (c1 : String, c2 : String) => c1 + "$" + c2 | ).collect res60: Array[(String, String)] = Array((A,2_$1_), (B,1_$2_), (C,1_)) 其中三个映射函数分别为：
createCombiner: (V) => C (v : Int) => v + “_” //在每一个V值后面加上字符_，返回C类型(String)mergeValue: (C, V) => C (c : String, v : Int) => c + “@” + v //合并C类型和V类型，中间加字符@,返回C(String)mergeCombiners: (C, C) => C (c1 : String, c2 : String) => c1 + “$” + c2 //合并C类型和C类型，中间加$，返回C(String) 其他参数为默认值。最终，将RDD[String,Int]转换为RDD[String,String]。
再看例子：
rdd1.combineByKey( (v : Int) => List(v), (c : List[Int], v : Int) => v :: c, (c1 : List[Int], c2 : List[Int]) => c1 ::: c2 ).collect res65: Array[(String, List[Int])] = Array((A,List(2, 1)), (B,List(2, 1)), (C,List(1))) 最终将RDD[String,Int]转换为RDD[String,List[Int]]。
foldByKey
def foldByKey(zeroValue: V)(func: (V, V) => V): RDD[(K, V)]
def foldByKey(zeroValue: V, numPartitions: Int)(func: (V, V) => V): RDD[(K, V)]
def foldByKey(zeroValue: V, partitioner: Partitioner)(func: (V, V) => V): RDD[(K, V)]
该函数用于RDD[K,V]根据K将V做折叠、合并处理，其中的参数zeroValue表示先根据映射函数将zeroValue应用于V,进行初始化V,再将映射函数应用于初始化后的V.
直接看例子：
scala> var rdd1 = sc.makeRDD(Array(("A",0),("A",2),("B",1),("B",2),("C",1))) scala> rdd1.foldByKey(0)(_+_).collect res75: Array[(String, Int)] = Array((A,2), (B,3), (C,1)) //将rdd1中每个key对应的V进行累加，注意zeroValue=0,需要先初始化V,映射函数为+操 //作，比如("A",0), ("A",2)，先将zeroValue应用于每个V,得到：("A",0+0), ("A",2+0)，即： //("A",0), ("A",2)，再将映射函数应用于初始化后的V，最后得到(A,0+2),即(A,2) 再看：
scala> rdd1.foldByKey(2)(_+_).collect res76: Array[(String, Int)] = Array((A,6), (B,7), (C,3)) //先将zeroValue=2应用于每个V,得到：("A",0+2), ("A",2+2)，即：("A",2), ("A",4)，再将映射函 //数应用于初始化后的V，最后得到：(A,2+4)，即：(A,6) 再看乘法操作：
scala> rdd1.foldByKey(0)(_*_).collect res77: Array[(String, Int)] = Array((A,0), (B,0), (C,0)) //先将zeroValue=0应用于每个V,注意，这次映射函数为乘法，得到：("A",0*0), ("A",2*0)， //即：("A",0), ("A",0)，再将映射函//数应用于初始化后的V，最后得到：(A,0*0)，即：(A,0) //其他K也一样，最终都得到了V=0 scala> rdd1.foldByKey(1)(_*_).collect res78: Array[(String, Int)] = Array((A,0), (B,2), (C,1)) //映射函数为乘法时，需要将zeroValue设为1，才能得到我们想要的结果。 在使用foldByKey算子时候，要特别注意映射函数及zeroValue的取值。
更多关于Spark算子的介绍，可参考 ：
转载请注明： »