RDD基本介绍

什么是RDD

RDD:英文全称Resilient Distributed Dataset，叫做弹性分布式数据集，是Spark中最基本的数据抽象，代表一个不可变、可分区、里面的元素可并行计算的集合。

• Resilient弹性：RDD的数据可以存储在内存或者磁盘当中，RDD的数据可以分区
• Distributed分布式：RDD的数据可以分布式存储，可以进行并行计算
• Dataset数据集：一个用于存放数据的集合

RDD的五大特征

1、（必须的）RDD是由一系列分区组成的
2、（必须的）对RDD做计算，相当于对RDD的每个分区做计算
3、（必须的）RDD之间存在着依赖关系，宽依赖和窄依赖
4、（可选的）对于KV类型的RDD，我们可以进行自定义分区方案
5、（可选的）移动数据不如移动计算，让计算程序离数据越近越好

RDD的五大特点

1、分区：RDD逻辑上是分区的，仅仅是定义分区的规则，并不是直接对数据进行分区操作，因为RDD本身不存储数据。
2、只读：RDD是只读的，要想改变RDD中的数据，只能在现有的RDD基础上创建新的RDD。
3、依赖：RDD之间存在着依赖关系，宽依赖和窄依赖
4、缓存：如果在应用程序中多次使用同一个RDD，可以将该RDD缓存起来，该RDD只有在第一次计算的时候会根据血缘关系得到分区的数据
5、checkpoint：与缓存类似的，都是可以将中间某一个RDD的结果保存起来，只不过checkpoint支持持久化保存

如何构建RDD

构建RDD对象的方式主要有两种：

1、通过 textFile（data）: 通过读取外部文件的方式来初始化RDD对象，实际工作中经常使用。
2、通过 parallelize（data）: 通过自定义列表的方式初始化RDD对象。（一般用于测试）

并行化本地集合方式

from pyspark import SparkConf, SparkContext
import os

# 绑定指定的Python解释器
os.environ['SPARK_HOME'] = '/export/server/spark'
os.environ['PYSPARK_PYTHON'] = '/root/anaconda3/bin/python3'
os.environ['PYSPARK_DRIVER_PYTHON'] = '/root/anaconda3/bin/python3'

if __name__ == '__main__':
    print("并行化本地集合创建RDD")
    # 1- 创建SparkContext对象
    conf = SparkConf().setAppName('parallelize_rdd').setMaster('local[1]')
    sc = SparkContext(conf=conf)

    # 2- 数据输入
    # 并行化本地集合得到RDD
    init_rdd = sc.parallelize([1,2,3,4,5], numSlices=6)

    # 3- 数据处理
    # 4- 数据输出
    # 获取分区数
    print(init_rdd.getNumPartitions())
    # 获取具体分区内容
    print(init_rdd.glom().collect())
    # 5- 释放资源
    sc.stop()

读取外部数据源方式

from pyspark import SparkConf, SparkContext
import os

# 绑定指定的Python解释器
os.environ['SPARK_HOME'] = '/export/server/spark'
os.environ['PYSPARK_PYTHON'] = '/root/anaconda3/bin/python3'
os.environ['PYSPARK_DRIVER_PYTHON'] = '/root/anaconda3/bin/python3'

if __name__ == '__main__':
    print("读取文件创建RDD")
    # 1- 创建SparkContext对象
    conf = SparkConf().setAppName('textfile_rdd').setMaster('local[1]')
    sc = SparkContext(conf=conf)
    # 2- 数据输入
    # 读取文件得到RDD
    init_rdd = sc.textFile("file:///export/data/gz16_pyspark/01_spark_core/data/content.txt",minPartitions=4)
    # 3- 数据处理
    # 4- 数据输出
    # 获取分区数
    print(init_rdd.getNumPartitions())
    # 获取具体分区内容
    print(init_rdd.glom().collect())
    # 5- 释放资源
    sc.stop()

处理小文件的操作

常规处理小文件的办法:
1- 大数据框架提供的现有的工具或者命令
	1.1- hadoop fs -getmerge /input/small_files/*.txt /output/merged_file.txt
	1.2- hadoop archive -archiveName myhar.har -p /small_files /big_files
2- 可以通过编写自定义的代码，将小文件读取进来，在代码中输出的时候，输出形成大的文件

wholeTextFiles: 读取小文件。
	1-支持本地文件系统和HDFS文件系统。参数minPartitions指定最小的分区数。
	2-通过该方式读取文件，会尽可能使用少的分区数，可能会将多个小文件的数据放到同一个分区中进行处理。
    3-一个文件要完整的存放在一个元组中，也就是不能将一个文件分成多个进行读取。文件是不可分割的。
    4-RDD分区数量既受到minPartitions参数的影响，同时受到小文件个数的影响

RDD分区数量如何确定

1- RDD的分区数量，一般设置为机器CPU核数的2-3倍。为了充分利用服务器的硬件资源

2- RDD的分区数据量受到多个因素的影响，例如:机器CPU的核数、调用的算子、算子中参数的设置、集群的类型等。RDD具体有多少个分区，直接通过getNumPartitions查看

3- 当初始化SparkContext对象的时候，其实就确定了一个参数spark.default.parallelism，默认为CPU的核数。如果是本地集群，就取决于local[num]中设置的数字大小；如果是集群，默认至少有2个分区

4- 通过parallelize来构建RDD，如果没有指定分区数，默认就取spark.default.parallelism参数值；如果指定了分区数，也就是numSlices参数，那么numSlices的优先级会更高一些，最终RDD的分区数取该参数的值。

5- 通过textFile来构建RDD
	5.1- 首先确认defaultMinPartition参数的值。该参数的值，如果没有指定textFile的minPartition参数，那么就根据公式min(spark.default.parallelism,2)；如果有指定textFile的minPartition参数，那么就取设置的值
	5.2- 再根据读取文件所在的文件系统的不同，来决定最终RDD的分区数：
		5.2.1- 本地文件系统: RDD分区数 = max(本地文件分片数,defaultMinPartition)
		5.2.2- HDFS文件系统: RDD分区数 = max(文件block块的数量,defaultMinPartition)

RDD相关算子

RDD算子： 指的是RDD对象中提供了非常多的具有特殊功能的函数， 我们将这些函数称为算子（函数/方法/API）
相关的算子的官方文档： https://spark.apache.org/docs/3.1.2/api/python/reference/pyspark.html#rdd-apis

RDD算子的分类

整个RDD算子， 共分为两大类：

Transformation(转换算子): 
	返回值: 是一个新的RDD
	特点: 转换算子只是定义数据的处理规则，并不会立即执行，是lazy（惰性）的。需要由Action算子触发
	
Action(动作算子):
	返回值: 要么没有返回值None，或者返回非RDD类型的数据
	特点: 动作算子都是立即执行。执行的时候，会将它上游的其他算子一同触发执行

相关转换算子:

相关的动作算子:

RDD的转换算子

(单)值类型算子

• map算子：
  • 格式：rdd.map(fn)
    说明: 主要根据传入的函数，对数据进行一对一的转换操作，传入一行，返回一行

输入: init_rdd = sc.parallelize([0,1,2,3,4,5,6,7,8,9])
需求: 数字加一后返回
代码: init_rdd.map(lambda num:num+1).collect()
结果: [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

• groupBy算子:
  • 格式: groupBy(fn)
  • 说明: 根据用户传入的自定义函数，对数据进行分组操作

输入: init_rdd = sc.parallelize([0,1,2,3,4,5,6,7,8,9])
需求: 将数据分成奇数和偶数
代码: init_rdd.groupBy(lambda num:"偶数" if num%2==0 else "奇数").mapValues(list).collect()
结果: [('偶数', [0, 2, 4, 6, 8]), ('奇数', [1, 3, 5, 7, 9])]
总结: mapValues(list)将数据类型转成List列表

• filter算子:
  • 格式：filter(fn)
  • 说明：根据用户传入的自定义函数对数据进行过滤操作。自定义函数的返回值类型是bool类型。True表示满足过滤条件，会将数据保留下来；False会将数据丢弃掉

输入: init_rdd = sc.parallelize([0,1,2,3,4,5,6,7,8,9])
需求: 过滤掉数值<=3的数据
代码: init_rdd.filter(lambda num:num>3).collect()
结果: [4, 5, 6, 7, 8, 9]

• flatMap算子:
  • 格式：rdd.flatMap(fn)
  • 说明：在map算子的基础上，加入一个压扁的操作， 主要适用于一行中包含多个内容的操作，实现一转多的操作

输入: init_rdd = sc.parallelize(['张三 李四 王五','赵六 周日'])
需求: 将姓名一个一个的输出
代码: init_rdd.flatMap(lambda line:line.split()).collect()
结果: ['张三', '李四', '王五', '赵六', '周日']
说明: split()默认会按照空白字符对内容进行切分处理。例如：空格、制表符、回车。还是推荐明确指定你所需要分割的符号。

双值类型算子

• union(并集) 和intersection(交集)
  • 格式: rdd1.union(rdd2) rdd1.intersection(rdd2)

输入: rdd1 = sc.parallelize([3,3,2,6,8,0])
	 rdd2 = sc.parallelize([3,2,1,5,7])

并集: rdd1.union(rdd2).collect()
结果: [3, 3, 2, 6, 8, 0, 3, 2, 1, 5, 7]
说明: union取并集不会对重复出现的数据去重

对并集的结果进行去重: rdd1.union(rdd2).distinct().collect()
结果: [8, 0, 1, 5, 2, 6, 3, 7]
说明: distinct()是转换算子，用来对RDD中的元素进行去重处理

交集: rdd1.intersection(rdd2).collect()
结果: [2, 3]
说明: 交集会对结果数据进行去重处理

key-value数据类型算子

• groupByKey()

  • 格式: rdd.groupByKey()
  • 说明: 对键值对类型的RDD中的元素按照键key进行分组操作。只会进行分组

输入: rdd = sc.parallelize([('c01','张三'),('c02','李四'),('c02','王五'),('c01','赵六'),('c03','田七'),('c03','周八'),('c02','李九')])
需求: 对学生按照班级分组统计
代码: rdd.groupByKey().mapValues(list).collect()
结果: [('c01', ['张三', '赵六']), ('c02', ['李四', '王五', '李九']), ('c03', ['田七', '周八'])]

• reduceByKey()
  • 格式: rdd.reduceByKey(fn)
  • 说明: 根据key进行分组，将一个组内的value数据放置到一个列表中，对这个列表基于fn进行聚合计算操作

输入: rdd = sc.parallelize([('c01','张三'),('c02','李四'),('c02','王五'),('c01','赵六'),('c03','田七'),('c03','周八'),('c02','李九')])
需求: 统计每个班级学生人数
代码: rdd.map(lambda tup:(tup[0],1)).reduceByKey(lambda agg,curr:agg+curr).collect()
结果: [('c01', 2), ('c02', 3), ('c03', 2)]

• sortByKey()算子:
  • 格式：rdd.sortByKey(ascending=True|False)
  • 说明: 根据key进行排序操作，默认按照key进行升序排序，如果需要降序，设置 ascending 参数的值为False

输入: rdd = sc.parallelize([(10,2),(15,3),(8,4),(7,4),(2,4),(12,4)])
需求: 根据key进行排序操作，演示升序
代码: rdd.sortByKey().collect()
结果: [(2, 4), (7, 4), (8, 4), (10, 2), (12, 4), (15, 3)]

需求: 根据key进行排序操作，演示降序
代码: rdd.sortByKey(ascending=False).collect()
结果: [(15, 3), (12, 4), (10, 2), (8, 4), (7, 4), (2, 4)]


输入: rdd = sc.parallelize([('a01',2),('A01',3),('a011',2),('a03',2),('a021',2),('a04',2)])
需求: 根据key进行排序操作，演示升序
代码: rdd.sortByKey().collect()
结果: [('A01', 3), ('a01', 2), ('a011', 2), ('a021', 2), ('a03', 2), ('a04', 2)]
总结: 对字符串类型的key进行排序的时候，按照ASCII码表进行排序。大写字母排在小写字母的前面；如果前缀一样，短的排在前面，长的排在后面。

RDD的动作算子

• collect() 算子:

  • 格式: collect()

  • 作用: 收集各个分区的数据，将数据汇总到一个大的列表返回

• reduce() 算子:

  • 格式: reduce(fn)
  • 作用: 根据用户传入的自定义函数，对数据进行聚合操作。该算子是Action动作算子；而reduceByKey是Transformation转换算子。

输入: rdd = sc.parallelize([1,2,3,4,5,6,7,8,9,10])
需求: 统计所有元素之和是多少
代码: 
def mysum(agg,curr):
	print(f"中间临时聚合结果{agg}，当前遍历到的元素{curr}")
	return agg+curr

rdd.reduce(mysum)

rdd.reduce(lambda agg,curr:agg+curr)
结果: 
中间临时聚合结果6，当前遍历到的元素7
中间临时聚合结果13，当前遍历到的元素8
中间临时聚合结果21，当前遍历到的元素9
中间临时聚合结果30，当前遍历到的元素10
中间临时聚合结果1，当前遍历到的元素2
中间临时聚合结果3，当前遍历到的元素3
中间临时聚合结果6，当前遍历到的元素4
中间临时聚合结果10，当前遍历到的元素5
中间临时聚合结果15，当前遍历到的元素40
55

说明: 初始化的时候，agg，表示中间临时聚合结果，默认取列表中的第一个元素值，curr表示当前遍历到的元素，默认取列表中的第二个元素的值。

• first() 算子:
  • 格式: rdd.first()
  • 说明: 取RDD中的第一个元素。不会对RDD中的数据排序

输入: rdd = sc.parallelize([3,1,2,4,5,6,7,8,9,10])
需求: 获取第一个元素
代码: rdd.first()
结果: 3

take() 算子

• 格式: rdd.take(N)
• 说明: 取RDD中的前N元素。不会对RDD中的数据排序

输入: rdd = sc.parallelize([3,1,2,4,5,6,7,8,9,10])
需求: 获取前3个元素
代码: rdd.take(3)
结果: [3, 1, 2]
说明: 返回结果是List列表。必须要传递参数N，而且不能是负数。

• top()算子:
  • 格式: top(N,[fn])
  • 说明: 对数据集进行倒序排序操作，如果kv（键值对）类型，针对key进行排序，获取前N个元素
  • fn: 可以自定义排序，按照谁来排序

输入: rdd = sc.parallelize([1,2,3,4,5,6,7,8,9,10])
需求: 获取前3个元素
代码: rdd.top(3)
结果: [10, 9, 8]

输入: rdd = sc.parallelize([('c01',5),('c02',8),('c04',1),('c03',4)])
需求: 按照班级人数降序排序，取前2个
代码: rdd.top(2,key=lambda tup:tup[1])
结果: [('c02', 8), ('c01', 5)]

需求: 按照班级人数升序排序，取前2个
代码: rdd.top(2,key=lambda tup:-tup[1])
结果: [('c04', 1), ('c03', 4)]

• count() 算子
  • 说明：统计RDD中一共有多少个元素

输入: rdd = sc.parallelize([1,2,3,4,5,6,7,8,9,10])
需求: 获取一共有多少个元素
代码: rdd.count()
结果: 10

• foreach() 算子
  • 格式: foreach(fn)
  • 作用: 遍历RDD中的元素，对元素根据传入的函数进行自定义的处理

输入: rdd = sc.parallelize([1,2,3,4,5,6,7,8,9,10])
需求: 对数据进行遍历打印
代码: rdd.foreach(lambda num:print(num))
结果: 
6
7
8
9
10
1
2
3
4
5
说明: 
	1- foreach()算子对自定义函数不要求有返回值，另外该算子也没有返回值
	2- 因为底层是多线程运行的，因此输出结果分区间可能是乱序
	3- 该算子，一般用来对结果数据保存到数据库或者文件中

RDD的重要算子

基本算子

分区算子

分区算子：针对整个分区数据进行处理的算子。

• mapPartitions和foreachPartition

  说明：map和foreach算子都有对应的分区算子。分区算子适用于有反复消耗资源的操作，例如：文件的打开和关闭、数据库的连接和关闭等，能够减少操作的次数。

输入: rdd = sc.parallelize([1,2,3,4,5,6,7,8,9,10],3)
查看分区情况: rdd.glom().collect()
结果: [[1, 2, 3], [4, 5, 6], [7, 8, 9, 10]]

演示: map和mapPartitions
需求: 对数字加一
================================map==================================
自定义函数: 
def my_add(num):
	print(f"传递进来的数据{num}")
	return num+1

rdd.map(my_add).collect()
结果: 
传递进来的数据4
传递进来的数据5
传递进来的数据6
传递进来的数据1
传递进来的数据2
传递进来的数据3
传递进来的数据7
传递进来的数据8
传递进来的数据9
传递进来的数据10
[2, 3, 4, 5, 6, 7, 8, 9, 10, 11]


请问: my_add被调用了几次？
回答: 10
弊端: 会导致消耗资源的操作反复多次的执行，非常消耗资源
def my_add(num):
	# 打开数据库连接
	
	# 将数据保存到数据库
	
	# 关闭数据库连接
	print(f"传递进来的数据{num}")
	return num+1


=============================mapPartitions===========================
自定义函数: 
def my_add(list):
	print("输入的参数",list)
	
	new_list = []
	
	for i in list:
		new_list.append(i + 1)
	return new_list

rdd.mapPartitions(my_add).collect()
结果: 
输入的参数 <itertools.chain object at 0x7ff21ae9d940>
输入的参数 <itertools.chain object at 0x7ff21ae9d940>
输入的参数 <itertools.chain object at 0x7ff21ae94e50>
[2, 3, 4, 5, 6, 7, 8, 9, 10, 11]

演示: foreach和foreachPartition
需求: 遍历打印
==============================foreach================================
自定义函数: 
def my_print(num):
	print(f"传递进来的数据{num}")
	print(num)
	
rdd.foreach(my_print)
结果:
传递进来的数据1
1
传递进来的数据2
2
传递进来的数据3
3
传递进来的数据4
4
传递进来的数据5
5
传递进来的数据6
6
传递进来的数据7
7
传递进来的数据8
8
传递进来的数据9
9
传递进来的数据10
10

==========================foreachPartition===========================
自定义函数: 
def my_print(list):
	print(f"传递进来的数据{list}")
	
	for i in list:
		print(i)
	
rdd.foreachPartition(my_print)

结果:
传递进来的数据<itertools.chain object at 0x7ff21ae9d2b0>
1
2
3
传递进来的数据<itertools.chain object at 0x7ff21ae9d2b0>
4
5
6
传递进来的数据<itertools.chain object at 0x7ff21ae94a60>
7
8
9
10

总结: 

1- map和foreach算子都有对应的分区算子，分别是mapPartitions和foreachPartition

2- 分区算子适用于有反复消耗资源的操作，例如：文件的打开和关闭、数据库的连接和关闭等，能够减少操作的次数。

3- 如果没有反复消耗资源的操作，调用两类算子，效果一样

重分区算子

重分区算子：对RDD的分区重新进行分区操作的算子，也就是改变RDD分区数的算子。

• repartition算子
  • 格式：repartition(num)
  • 作用：改变RDD分区数。既能够增大RDD分区数，也能够减小RDD分区数。但是都会导致发生Shuffle过程。

输入: rdd = sc.parallelize([1,2,3,4,5,6,7,8,9,10],3)
查看分区情况: rdd.glom().collect()
结果: [[1, 2, 3], [4, 5, 6], [7, 8, 9, 10]]

增大分区: rdd.repartition(5).glom().collect()
结果: [[], [1, 2, 3], [7, 8, 9, 10], [4, 5, 6], []]

减少分区: rdd.repartition(2).glom().collect()
结果: [[1, 2, 3, 7, 8, 9, 10], [4, 5, 6]]

• coalesce算子
  • 格式：coalesce(num,shuffle=True|False)
  • 作用：改变RDD分区数。但是，默认只能减小RDD分区数，不能增大，减小过程中不会发生Shuffle过程。如果想增大分区，需要将参数shuffle设置为True，但是会导致Shuffle过程。

输入: rdd = sc.parallelize([1,2,3,4,5,6,7,8,9,10],3)
查看分区情况: rdd.glom().collect()
结果: [[1, 2, 3], [4, 5, 6], [7, 8, 9, 10]]

减少分区: rdd.coalesce(2).glom().collect()
结果: [[1, 2, 3], [4, 5, 6, 7, 8, 9, 10]]

增大分区: rdd.coalesce(5).glom().collect()
结果: [[1, 2, 3], [4, 5, 6], [7, 8, 9, 10]]

将参数2设置为True，再增大分区: rdd.coalesce(5,shuffle=True).glom().collect()
结果: [[], [1, 2, 3], [7, 8, 9, 10], [4, 5, 6], []]

将参数2设置为True，再减小分区: rdd.coalesce(2,shuffle=True).glom().collect()
结果: [[1, 2, 3, 7, 8, 9, 10], [4, 5, 6]]

repartition 和 coalesce总结：

1- 这两个算子都是用来改变RDD的分区数

2- repartition 既能够增大RDD分区数，也能够减小RDD分区数。但是都会导致发生Shuffle过程。

3- 默认只能减小RDD分区数，不能增大，减小过程中不会发生Shuffle过程。如果想增大分区，需要将参数shuffle设置为True，但是会导致Shuffle过程。

4- repartition 底层实际上是调用了coalesce算子，并且将shuffle参数设置为了True

• partitionBy算子
  • 格式：partitionBy(num,[fn])
  • 作用：该算子主要是用来改变key-value键值对数据类型RDD的分区数的。num表示要设置的分区数；fn参数是可选，用来让用户自定义分区规则。

注意：
默认情况下，根据key进行Hash取模分区。
如果对默认分区规则不满意，可以传递参数fn来自定义分区规则。
但是自定义分区规则函数需要满足两个条件，
条件一：分区编号的数据类型需要是int类型；
条件二：传递给自定义分区函数的参数是key

输入: rdd = sc.parallelize([(1,1),(2,2),(3,3),(4,4),(5,5),(6,6),(7,7),(8,8),(9,9),(10,10)],5)
查看分区情况: rdd.glom().collect()
结果: [[(1, 1), (2, 2)], [(3, 3), (4, 4)], [(5, 5), (6, 6)], [(7, 7), (8, 8)], [(9, 9), (10, 10)]]


需求: 增大分区，尝试分为20个分区
代码: rdd.partitionBy(20).glom().collect()
结果: [[], [(1, 1)], [(2, 2)], [(3, 3)], [(4, 4)], [(5, 5)], [(6, 6)], [(7, 7)], [(8, 8)], [(9, 9)], [(10, 10)], [], [], [], [], [], [], [], [], []]

需求: 减少分区，尝试分为2个分区
代码: rdd.partitionBy(2).glom().collect()
结果: [[(2, 2), (4, 4), (6, 6), (8, 8), (10, 10)], [(1, 1), (3, 3), (5, 5), (7, 7), (9, 9)]]


需求: 将 key>5 放置在一个分区，剩余放置到另一个分区
代码: rdd.partitionBy(2,partitionFunc=lambda key:0 if key>5 else 1).glom().collect()
结果: [[(6, 6), (7, 7), (8, 8), (9, 9), (10, 10)], [(1, 1), (2, 2), (3, 3), (4, 4), (5, 5)]]
注意: 分区编号的数据类型需要是int类型

聚合算子

• 单值类型的聚合算子
  • reduce(fn1)：根据传入函数对数据进行聚合处理
  • fold(defaultAgg,fn1)：根据传入函数对数据进行聚合处理，同时支持给agg设置初始值
  • aggregate(defaultAgg, fn1, fn2)：根据传入函数对数据进行聚合处理。defaultAgg设置agg的初始值，fn1对各个分区内的数据进行聚合计算，fn2 负责将各个分区的聚合结果进行汇总聚合

输入: rdd = sc.parallelize([1,2,3,4,5,6,7,8,9,10],3)
查看分区情况: rdd.glom().collect()
结果: [[1, 2, 3], [4, 5, 6], [7, 8, 9, 10]]
需求: 求和计算, 求所有数据之和

================================reduce================================
代码: 
def my_sum(agg,curr):
	return agg+curr
	
rdd.reduce(my_sum)
结果: 55


================================fold================================
代码: 
def my_sum(agg,curr):
	return agg+curr
	
rdd.fold(5,my_sum)
结果: 75


================================aggregate================================
代码: 
def my_sum_1(agg,curr):
	return agg+curr
	
def my_sum_2(agg,curr):
	return agg+curr
	
rdd.aggregate(5,my_sum_1,my_sum_2)
结果: 75

总结：
reduce、fold、aggregate算子都能实现聚合操作。reduce的底层是fold，fold底层是aggregate。

在工作中，如果能够通过reduce实现的，就优先选择reduce；否则选择fold，实在不行就选择aggregate

• KV类型的聚合函数
  相关的算子：
  • reduceByKey(fn1)
  • foldByKey(defaultAgg, fn1)
  • aggregateByKey(defaultAgg, fn1, fn2);

以上三个与单值是一样的，只是在单值的基础上加了分组的操作而已，针对每个分组内的数据进行聚合而已。另外有一个：groupByKey() 仅分组，不聚合统计

问题：groupByKey() + 聚合操作 和  reduceByKey()  都可以完成分组聚合统计，谁的效率更高一些?  

reduceByKey()，因为底层会进行局部的聚合操作，会减小后续处理的数据量

关联算子

关联函数，主要是针对kv类型的数据，根据key进行关联操作

相关的算子：

• join：实现两个RDD的join关联操作
• leftOuterJoin：实现两个RDD的左关联操作
• rightOuterJoin：实现两个RDD的右关联操作
• fullOuterJoin：实现两个RDD的满外（全外）关联操作

输入：
rdd1 = sc.parallelize([('c01','张三'),('c02','李四'),('c02','王五'),('c01','赵六'),('c03','田七'),('c03','周八'),('c02','李九'),('c04','老张')])
	
rdd2 = sc.parallelize([('c01','1'),('c02','2'),('c03','3'),('c05','5')])


================================join================================
代码: rdd1.join(rdd2).collect()
结果: 
[
   	('c01', ('张三', '1')), 
   	('c01', ('赵六', '1')), 
   	('c02', ('李四', '2')), 
   	('c02', ('王五', '2')), 
   	('c02', ('李九', '2')), 
   	('c03', ('田七', '3')), 
   	('c03', ('周八', '3'))
]

================================leftOuterJoin================================
代码: rdd1.leftOuterJoin(rdd2).collect() 
结果: 
[
	('c04', ('老张', None)), 
	('c01', ('张三', '1')), 
	('c01', ('赵六', '1')), 
	('c02', ('李四', '2')), 
	('c02', ('王五', '2')),
    ('c02', ('李九', '2')),
    ('c03', ('田七', '3')), 
    ('c03', ('周八', '3'))
]

	

================================rightOuterJoin================================
代码: rdd1.rightOuterJoin(rdd2).collect()
结果: 
[
	('c05', (None, '5')), 
	('c01', ('张三', '1')), 
	('c01', ('赵六', '1')), 
	('c02', ('李四', '2')), 
	('c02', ('王五', '2')),
    ('c02', ('李九', '2')), 
    ('c03', ('田七', '3')), 
    ('c03', ('周八', '3'))
]
		

================================fullOuterJoin================================
代码: rdd1.fullOuterJoin(rdd2).collect()
结果: 
[
	('c04', ('老张', None)), 
	('c05', (None, '5')),
    ('c01', ('张三', '1')), 
    ('c01', ('赵六', '1')), 
    ('c02', ('李四', '2')),
    ('c02', ('王五', '2')), 
    ('c02', ('李九', '2')),
    ('c03', ('田七', '3')),
    ('c03', ('周八', '3'))
]