spark transform系列__groupByKey

Posted zhchoutai

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了spark transform系列__groupByKey相关的知识,希望对你有一定的参考价值。

这个操作的作用依据同样的key的全部的value存储到一个集合中的一个玩意.

def?groupByKey():?RDD[(K,?Iterable[V])]?=?self.withScope?{
??groupByKey(defaultPartitioner(self))
}

在做groupByKey的操作时,由于须要依据key对数据进行又一次的分区操作,因此这个操作须要有一个partitioner的实例.默认是hash算子.这个操作依据当前操作的RDD中是否有partitioner,同一时候这个partitioner与当前的传入的partitioner的实例是否同样来推断是否须要运行shuffle操作.

假设是默认的hashPartitioner时,检查spark.default.parallelism配置是否有配置,假设有分区个数按这个配置来设置,否则使用当前进行此groupByKey操作的rdd的partitions来设置.

?

def?groupByKey(partitioner:?Partitioner):?RDD[(K,?Iterable[V])]

?=?self.withScope?{

这里同样与reduceByKey的操作一样,通过调用combineByKeyWithClassTag的函数来进行处理,

不同的是,withClassTag的合并操作是一个CompactBuffer[V]类型.

这里生成aggregator实例须要的三个函数时,

createCombiner:假设key眼下还有值时,依据当前传入的key-value中的value生成一个CompactBuffer的实例,并存储到key相应的位置,

mergeValue:传入一个key-value时,假设key相应的CompactBuffer已经存在,把这个value加入到这个buffer中.

mergeCombiners:这个主要在shuffle结束时,把key同样的多个buffer进行合并.

须要注意的是,在运行groupByKey的操作时,会把mapSideCombine设置为false,表示不运行map端的聚合.

为什么groupByKey不做mapSideCombine的操作呢,由于在groupByKey的操作中,会先依据同样的key,把value存储到一个buffer中,这个地方并不会设计到map端combine的操作会降低多少的网络传输的开效,假设做map combine操作时,反而添加了map端writer的内存使用.

? //?groupByKey?shouldn‘t?use?map?side?combine?because?map?side?combine?does?not
??//?reduce?the?amount?of?data?shuffled?and?requires?all?map?side?data?be?inserted
??//?into?a?hash?table,?leading?to?more?objects?in?the?old?gen.
??val?createCombiner?=?(v:?V)?=>?CompactBuffer(v)
??val?mergeValue?=?(buf:?CompactBuffer[V],?v:?V)?=>?buf?+=?v
??val?mergeCombiners?=?(c1:?CompactBuffer[V],?c2:?CompactBuffer[V])?=>?c1?++=?c2
??val?bufs?=?combineByKeyWithClassTag[CompactBuffer[V]](
????createCombiner,?mergeValue,?mergeCombiners,?partitioner,?mapSideCombine?=?false)
??bufs.asInstanceOf[RDD[(K,?Iterable[V])]]
}

?

在combineByKeyWithClassTag的操作函数中的处理:

mapSideCombine的传入參数为false.

这个地方,依据上面的三个函数,生成Aggregator,这里的K,V,C分别代表key的类型,value的类型,C在groupByKey的操作中是一个CompactBuffer[V]的类型

val?aggregator?=?new?Aggregator[K,?V,?C](
??self.context.clean(createCombiner),
??self.context.clean(mergeValue),
??self.context.clean(mergeCombiners))

这里主要是看看当前的partitioner是否与当前运行这个操作的rdd的partitioner实例同样.同样就不在须要运行shuffle操作,否则就须要运行shuffle操作,生成新的ShuffledRDD实例.
if?(self.partitioner?==?Some(partitioner))?{
??self.mapPartitions(iter?=>?{
????val?context?=?TaskContext.get()
????new?InterruptibleIterator(context,?aggregator.combineValuesByKey(iter,

????????context))
??},?preservesPartitioning?=?true)
}?else?{
??new?ShuffledRDD[K,?V,?C](self,?partitioner)
????.setSerializer(serializer)
????.setAggregator(aggregator)
????.setMapSideCombine(mapSideCombine)
}

?

在Aggregator的操作中,假设mapSideCombine的參数为false时,通过Aggregator中的combineValuesByKey函数运行数据的合并操作.假设mapSideCombine的參数为true时,通过Aggregator中的combineCombinersByKey函数运行数据的合并操作(仅仅运行第三个函数,由于map端已经把结果合并成了C的类型).

在Aggregator的合并操作中,通过ExternalAppendOnlyMap实例来进行数据的合并(insertAll).这个实例会最大可能的使用内存,假设内存实在不够用时,考虑对内存中的数据进行spill到磁盘的操作.


以上是关于spark transform系列__groupByKey的主要内容,如果未能解决你的问题,请参考以下文章

NLP系列_Transformer详解

NLP系列_深入理解BERT Transformer ,不仅仅是注意力机制

NLP系列_深入理解BERT Transformer ,不仅仅是注意力机制

Spark RDD 的Transformation与Action的常用功能总结(Python版本)

Spark算子系列第0篇:spark常用算子详解

Spark算子系列第0篇:spark常用算子详解