RDD之五：Key-Value型Transformation算子

Posted 2020-08-28 学无止境

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

 

 

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

 

 

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

 

 

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

 

 

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

 

 

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

 

 

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

 

 

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