Spark-Scala语言实战（13）

在之前的文章中，我们学习了如何在spark中使用键值对中的keys和values,reduceByKey,groupByKey三种方法。想了解的朋友可以查看这篇文章。同时，希望我的文章能帮助到你，如果觉得我的文章写的不错，请留下你宝贵的点赞，谢谢。

Spark-Scala语言实战（12）-CSDN博客文章浏览阅读722次，点赞19次，收藏15次。今天开始的文章，我会带给大家如何在spark的中使用我们的键值对方法，今天学习键值对方法中的keys和values,reduceByKey,groupByKey三种方法。希望我的文章能帮助到大家，也欢迎大家来我的文章下交流讨论，共同进步。https://blog.csdn.net/qq_49513817/article/details/137385224今天的文章开始，我会继续带着大家如何在spark的中使用我们的键值对里的方法。今天学习键值对方法中的fullOuterJoin，zip，combineByKey三种方法。

一、知识回顾

上一篇文章中我们学习了键值对的三种方法，分别是keys和values,reduceByKey,groupByKey。

keys和values分别对应了我们的键与值。

我们可以用它们来创建我们的RDD

reduceByKey可以进行统计，将有相同键的值进行相加，统一输出。

而 groupByKey方法就是对我们的键值对RDD进行分组了

它可以将我们的相同的键，不同的值组合成一个组。

那么，开始今天的学习吧~

二、键值对方法

1.fullOuterJoin

• fullOuterJoin()方法用于对两个RDD进行全外连接，保留两个RDD中所有键的连接结果。

import org.apache.spark.{SparkConf, SparkContext}
object p1 {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setMaster("local").setAppName("p2")
    val sc = new SparkContext(conf)
    // 创建两个RDD（弹性分布式数据集）
    val p1 = sc.parallelize(Seq(("a1", "1"), ("a2", "2"), ("a3", "3")))
    val p2 = sc.parallelize(Seq(("a2", "A"), ("a3", "B"), ("a4", "C")))
    // 将RDD转换为键值对
    val pp1 = p1.map { case (key, value) => (key, value) }
    val pp2 = p2.map { case (key, value) => (key, value) }
    // 执行fullOuterJoin操作
    val ppp = pp1.fullOuterJoin(pp2)
    // 收集结果并打印
    ppp.collect().foreach(println)
    }
}

我们的代码创建了两个键值对RDD，那么使用 fullOuterJoin方法全外连接那么两个键值对都会连接。

可以看到两个键值对里的键与值都连接上了，互相没有的值即显示None值。

2.zip

• zip()方法用于将两个RDD组合成键值对RDD，要求两个RDD的分区数量以及元素数量相同，否则会抛出异常。
• 将两个RDD组合成Key/Value形式的RDD，这里要求两个RDD的partition数量以及元素数量都相同，否则会抛出异常。

import org.apache.spark.{SparkConf, SparkContext}
object p1 {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setMaster("local").setAppName("p2")
    val sc = new SparkContext(conf)
    // 创建两个RDD
    val p1 = sc.parallelize(Seq(1, 2, 3))
    val p2 = sc.parallelize(Seq("a", "b", "c"))
    // 使用zip方法将两个RDD组合在一起
    val pp1 = p1.zip(p2)
    val pp2 = p2.zip(p1)
    // 收集结果并打印
    pp1.collect().foreach(println)
    pp2.collect().foreach(println)
    }
}

代码创建了两个不同的RDD键值对，分别使用p1zip方法p2与p2zip方法p1，那么它们输出的结果会是一样的吗？

可以看到是不一样的，谁在前面谁就是键，反之是值。

3.combineByKey

• combineByKey()方法是Spark中一个比较核心的高级方法，键值对的其他一些高级方法底层均是使用combineByKey()方法实现的，如groupByKey()方法、reduceByKey()方法等。
• combineByKey()方法用于将键相同的数据聚合，并且允许返回类型与输入数据的类型不同的返回值。
• combineByKey()方法的使用方式如下。- combineByKey(createCombiner,mergeValue,mergeCombiners,numPartitions=None)

import org.apache.spark.{SparkConf, SparkContext}
object p1 {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setMaster("local").setAppName("p2")
    val sc = new SparkContext(conf)
    val p1 = sc.parallelize(Seq(("a", 1), ("b", 2), ("a", 3), ("b", 4), ("c", 5)))
    val p2 = p1.combineByKey(
      // createCombiner: 将第一个值转换为累加器
      (v: Int) => v,
      // mergeValue: 将新的值加到累加器上
      (c: Int, v: Int) => c + v,
      // mergeCombiners: 合并两个累加器
      (c1: Int, c2: Int) => c1 + c2
    )
    p2.collect().foreach { case (key, value) =>
      println(s"Key: $key, Value: $value")
    }
  }
}

我的代码中：

createCombiner: 这个函数定义了如何将每个键的第一个值转换为初始的累加器值。

代表着每个键，第一个出现的值将作为累加器的初始值。

mergeValue: 这个函数定义了如何将新值与当前的累加器值合并。在我的代码中，我将新值与累加器相加。

代表着每个键的后续值，它们都会被加到当前的累加器值上。

mergeCombiners: 这个函数定义了当两个累加器（对应于同一个键但可能来自不同的分区）需要合并时应该执行的操作。在我的代码中，也是将两个累加器值相加

这确保了无论数据如何在分区之间分布，最终每个键都会得到正确的累加结果。

看看输出效果

可以看到我们的键值对成功累加。

快去试试吧~

拓展-方法参数设置

方法参数描述例子fullOuterJoinotherRDD另一个要与之进行全外连接的RDD

rdd1.fullOuterJoin(rdd2)

fullOuterJoinnumPartitions结果RDD的分区数（可选）

rdd1.fullOuterJoin(rdd2, numPartitions=10)

zipotherRDD要与之进行zip操作的另一个RDD

rdd1.zip(rdd2)

combineByKeycreateCombiner处理第一个出现的每个键的值的函数

lambda v: (v, 1)

combineByKeymergeValue合并具有相同键的值的函数

lambda acc, v: (acc[0] + v, acc[1] + 1)

combineByKeymergeCombiners合并两个累积器的函数

lambda acc1, acc2: (acc1[0] + acc2[0], acc1[1] + acc2[1])

combineByKeynumPartitions结果RDD的分区数（可选）

rdd.combineByKey(createCombiner, mergeValue, mergeCombiners, numPartitions=5)