==> mapPartitionsWithIndex
---> 定义： def mapPartitionsWithIndex[U](f:(Int, Iterator[T]) => Iterator[U], preserversPartitioning: Boolean = false)
---> 作用： 对 RDD 每个分区进行操作，带有分区号
---> 示例：输出分区号和内容
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
// 创建一个RDD
val
rdd
1
=
sc.parallelize(List(
1
,
2
,
3
,
4
,
5
,
6
,
7
,
8
,
9
))
// 创建一个函数，作为 f 的值
def
func(index
:
Int, iter
:
Iterator[Int])
:
Iterator[String]
=
{
iter.toList.map(x
=
>
"[PartID: "
+ index +
", value= "
+ x +
"]"
).iterator
}
// 调用
rdd
1
.mapPartitionsWithIndex(func).colect
// 结果
res
15
:
Array[String]
=
Array([PartitionID
:
0
,value
=
1
], [PartitionID
:
0
,value
=
2
], [PartitionID
:
0
,value
=
3
], [PartitionID
:
0
,value
=
4
],
[PartitionID
:
1
,value
=
5
], [PartitionID
:
1
,value
=
6
], [PartitionID
:
1
,value
=
7
], [PartitionID
:
1
,value
=
8
], [PartitionID
:
1
,value
=
9
])
|
==> aggregate
---> 定义：def aggregate[U: ClassTag](zeroValue: U)(seqOp:(U, T) => U, combOp: (U, U) => U): U
---- (zeroValue: U) 初始值
---- seqOp:(U, T) => U 局部操作
---- combOp:(U, U) => U 全局操作
---> 作用：先对局部进行操作，再对全局进行操作
---> 示例：
|
1
2
3
4
|
// 求两个分区最大值的和,初始值为0
val
rdd
1
=
sc.parallelize(List(
1
,
2
,
3
,
4
,
5
,
6
,
7
,
8
,
9
))
rdd
1
.aggregate(
0
)(math.max(
_
,
_
),
_
+
_
)
// 结果为：res16: Int = 13
|
==> aggregateByKey
---> 定义：
---> 作用：对 key-value 格式 的数据进行 aggregate 操作
---> 示例：
|
1
2
3
4
5
6
7
8
9
10
11
|
// 准备一个 key-value 格式的 RDD
val
parRDD
=
sc.parallelize(List((
"cat"
,
2
),(
"cat"
,
5
),(
"mouse"
,
4
),(
"cat"
,
12
),(
"dog"
,
12
),(
"mouse"
,
2
)),
2
)
// 计算每个分区中的动物最多的个数求和
parRDD.aggregateByKey(
0
)(math.max(
_
,
_
),
_
+
_
)
// 结果为： Array[(String, Int)] = Array((dog,12), (cat,17), (mouse,6))
// 计算每种动物的总数量
parRDD.aggregateByKey(
0
)(
_
+
_
,
_
+
_
).collect
// 方法一
parRDD.reduceByKey(
_
+
_
).collect
|
==> coalesce 与 repartition
---> 作用：将 RDD 中的分区进行重分区
---> 区别： coalesce 默认不会进行 shuffle(false)
repartition 会进行 shuffle(true), 会将数据真正通过网络进行重分区
---> 示例：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
|
// 定义一个 RDD
val
rdd
=
sc.parallelize(List(
1
,
2
,
3
,
4
,
5
,
6
,
7
,
8
),
2
)
// 显示分区中的分区号和分区号中的内容
def
func(index
:
Int, iter
:
Iterator[Int])
:
Iterator[String]
=
{
iter.toList.map(x
=
>
"[PartID: "
+ index +
", value= "
+ x +
"]"
).iterator
}
// 查看 rdd 中的分区情况
rdd.mapPartitionsWithIndex(func).collect
// 结果为： Array[String] = Array(
// [PartID: 0, value= 1], [PartID: 0, value= 2], [PartID: 0, value= 3], [PartID: 0, value= 4],
// [PartID: 1, value= 5], [PartID: 1, value= 6], [PartID: 1, value= 7], [PartID: 1, value= 8])
// 使用 repartition 将分区数改为3
val
rdd
2
=
rdd
1
.repartition(
3
)
val
rdd
3
=
rdd
1
.coalesce(
3
,
true
)
// 查看rdd2 与rdd3 的分区情况
rdd
2
.mapPartitionsWithIndex(func).collect
rdd
3
.mapPartitionsWithIndex(func).collect
// 结果为：Array[String] = Array(
// [PartID: 0, value= 3], [PartID: 0, value= 6],
// [PartID: 1, value= 1], [PartID: 1, value= 4], [PartID: 1, value= 7],
// [PartID: 2, value= 2], [PartID: 2, value= 5])
|
本文转自 菜鸟的征程 51CTO博客，原文链接:http://blog.51cto.com/songqinglong/2082613
