【SparkAPI JAVA版】JavaPairRDD——aggregateByKey(二)

2023-11-09 13:39

本文主要是介绍【SparkAPI JAVA版】JavaPairRDD——aggregateByKey(二),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

JavaPairRDD的aggregateByKey方法讲解
官方文档说明
Aggregate the values of each key, using given combine functions and a neutral
"zero value". This function can return a different result type, U, than the type of
the values in this RDD, V. Thus, we need one operation for merging a V into 
a U and one operation for merging two U's. The former operation is used for
merging values within a partition, and the latter is used for merging values between
partitions. To avoid memory allocation, both of these functions are allowed to modify 
and return their first argument instead of creating a new U.Parameters:
zeroValue - (undocumented)
seqFunc - (undocumented)
combFunc - (undocumented)
Returns:
(undocumented)
中文含义

aggregateByKey函数对PairRDD中相同Key的值进行聚合操作,在聚合过程中同样使用了一个中立的初始值。和aggregate函数类似,aggregateByKey返回值的类型不需要和RDD中value的类型一致。因为aggregateByKey是对相同Key中的值进行聚合操作,所以aggregateByKey函数最终返回的类型还是Pair RDD,对应的结果是Key和聚合好的值;而aggregate函数直接是返回非RDD的结果,这点需要注意。在实现过程中,定义了三个aggregateByKey函数原型,但最终调用的aggregateByKey函数都一致。

方法原型
// Scala
def aggregateByKey[U: ClassTag](zeroValue: U, partitioner: Partitioner)(seqOp: (U, V) => U, combOp: (U, U) => U): RDD[(K, U)]
def aggregateByKey[U: ClassTag](zeroValue: U, numPartitions: Int)(seqOp: (U, V) => U, combOp: (U, U) => U): RDD[(K, U)]
def aggregateByKey[U: ClassTag](zeroValue: U)(seqOp: (U, V) => U, combOp: (U, U) => U): RDD[(K, U)]
// java
public <U> JavaPairRDD<K,U> aggregateByKey(U zeroValue,Partitioner partitioner,Function2<U,V,U> seqFunc,Function2<U,U,U> combFunc)
public <U> JavaPairRDD<K,U> aggregateByKey(U zeroValue,int numPartitions,Function2<U,V,U> seqFunc,Function2<U,U,U> combFunc)
public <U> JavaPairRDD<K,U> aggregateByKey(U zeroValue,Function2<U,V,U> seqFunc,Function2<U,U,U> combFunc)

第一个aggregateByKey函数我们可以自定义Partitioner。除了这个参数之外,其函数声明和aggregate很类似;其他的aggregateByKey函数实现最终都是调用这个。
第二个aggregateByKey函数可以设置分区的个数(numPartitions),最终用的是HashPartitioner。
最后一个aggregateByKey实现先会判断当前RDD是否定义了分区函数,如果定义了则用当前RDD的分区;如果当前RDD并未定义分区 ,则使用HashPartitioner。

实例
public class AggregateByKey {public static void main(String[] args) {System.setProperty("hadoop.home.dir","F:\\hadoop-2.7.1");SparkConf conf = new SparkConf().setMaster("local").setAppName("TestSpark");JavaSparkContext sc = new JavaSparkContext(conf);JavaPairRDD<String,Integer> javaPairRDD = sc.parallelizePairs(Lists.<Tuple2<String, Integer>>newArrayList(new Tuple2<String, Integer>("cat",3),new Tuple2<String, Integer>("dog",33),new Tuple2<String, Integer>("cat",16),new Tuple2<String, Integer>("tiger",66)),2);// 打印样例数据javaPairRDD.foreach(new VoidFunction<Tuple2<String, Integer>>() {public void call(Tuple2<String, Integer> stringIntegerTuple2) throws Exception {System.out.println("样例数据>>>>>>>" + stringIntegerTuple2);}});JavaPairRDD<String,Integer> javaPairRDD1 = javaPairRDD.aggregateByKey(14, new Function2<Integer, Integer, Integer>() {public Integer call(Integer v1, Integer v2) throws Exception {System.out.println("seqOp>>>>>  参数One:"+v1+"--参数Two:"+v2);return Math.max(v1,v2);}}, new Function2<Integer, Integer, Integer>() {public Integer call(Integer v1, Integer v2) throws Exception {System.out.println("combOp>>>>>  参数One:"+v1+"--参数Two:"+v2);return v1+v2;}});// 打印结果数据javaPairRDD1.foreach(new VoidFunction<Tuple2<String, Integer>>() {public void call(Tuple2<String, Integer> stringIntegerTuple2) throws Exception {System.out.println("结果数据>>>>>>>" + stringIntegerTuple2);}});}
}
结果
// 打印样例数据 这里的分区是两个 其中分区内都有一个相同key值
19/03/03 22:16:07 INFO Executor: Running task 0.0 in stage 0.0 (TID 0)
样例数据>>>>>>>(cat,3)
样例数据>>>>>>>(dog,33)
19/03/03 22:16:07 INFO Executor: Running task 1.0 in stage 0.0 (TID 1)
样例数据>>>>>>>(cat,16)
样例数据>>>>>>>(tiger,66)
19/03/03 22:16:07 INFO Executor: Running task 0.0 in stage 1.0 (TID 2)
// 第一个分区比较大小 14 3 => 14(cat) , 14  33 => 33(dog)
seqOp>>>>>  参数One:14--参数Two:3
seqOp>>>>>  参数One:14--参数Two:33
19/03/03 22:16:08 INFO ShuffleBlockFetcherIterator: Started 0 remote fetches in 4 ms
19/03/03 22:16:07 INFO TaskSetManager: Finished task 0.0 in stage 1.0 (TID 2) in 76 ms on localhost (executor driver) (1/2)
// 第二个分区比较 14 16 => 16(cat) ,14 66 => 66(tiger)
seqOp>>>>>  参数One:14--参数Two:16
seqOp>>>>>  参数One:14--参数Two:66
19/03/03 22:16:08 INFO ShuffleBlockFetcherIterator: Started 0 remote fetches in 4 ms
// 这个就是combOp阶段 在不同分区内 相同key的值做聚合操作 也就是(cat)14 + (cat)16 = 30 
combOp>>>>>  参数One:14--参数Two:16
// 最后结果 
结果数据>>>>>>>(dog,33)
结果数据>>>>>>>(cat,30)
19/03/03 22:16:08 INFO ShuffleBlockFetcherIterator: Started 0 remote fetches in 0 ms
结果数据>>>>>>>(tiger,66)
解析
一定要记住: combOp 是聚合的不同分区相同key的值

从上述过程中,我们就能明白流程是什么了。

  1. seqOp
    开始我们的数据是:
    分片1:(cat,3) (dog,33)
    分片2:(cat,16) (tiger,66)

     	// 这里只有两个分片 所以写两个过程 第一个分片开始seqOp过程:14(zeroValue) 和  3(cat) 比较  = 14(结果1),14(zeroValue) 和  33(dog) 比较  = 14(结果2)第二个分片开始元素聚合过程:14(zeroValue) 和  16(cat) 比较  = 14(结果3),14(zeroValue) 和  66(tiger) 比较  = 14(结果4)
    
  2. combOp(不同分区相同key值)

     	开始分片combOp过程:cat在不同分区有相同key值结果1  + 结果3 = 30(结果5)最终得到的结果2 ,结果4,结果5 结果数据>>>>>>>(dog,33)结果数据>>>>>>>(cat,30)结果数据>>>>>>>(tiger,66)
    

如果有什么不明白的评论留言即可。

这篇关于【SparkAPI JAVA版】JavaPairRDD——aggregateByKey(二)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/376446

相关文章

Spring Security自定义身份认证的实现方法

《SpringSecurity自定义身份认证的实现方法》:本文主要介绍SpringSecurity自定义身份认证的实现方法,下面对SpringSecurity的这三种自定义身份认证进行详细讲解,... 目录1.内存身份认证(1)创建配置类(2)验证内存身份认证2.JDBC身份认证(1)数据准备 (2)配置依

SpringBoot整合OpenFeign的完整指南

《SpringBoot整合OpenFeign的完整指南》OpenFeign是由Netflix开发的一个声明式Web服务客户端,它使得编写HTTP客户端变得更加简单,本文为大家介绍了SpringBoot... 目录什么是OpenFeign环境准备创建 Spring Boot 项目添加依赖启用 OpenFeig

Java Spring 中 @PostConstruct 注解使用原理及常见场景

《JavaSpring中@PostConstruct注解使用原理及常见场景》在JavaSpring中,@PostConstruct注解是一个非常实用的功能,它允许开发者在Spring容器完全初... 目录一、@PostConstruct 注解概述二、@PostConstruct 注解的基本使用2.1 基本代

springboot使用Scheduling实现动态增删启停定时任务教程

《springboot使用Scheduling实现动态增删启停定时任务教程》:本文主要介绍springboot使用Scheduling实现动态增删启停定时任务教程,具有很好的参考价值,希望对大家有... 目录1、配置定时任务需要的线程池2、创建ScheduledFuture的包装类3、注册定时任务,增加、删

SpringBoot整合mybatisPlus实现批量插入并获取ID详解

《SpringBoot整合mybatisPlus实现批量插入并获取ID详解》这篇文章主要为大家详细介绍了SpringBoot如何整合mybatisPlus实现批量插入并获取ID,文中的示例代码讲解详细... 目录【1】saveBATch(一万条数据总耗时:2478ms)【2】集合方式foreach(一万条数

IntelliJ IDEA 中配置 Spring MVC 环境的详细步骤及问题解决

《IntelliJIDEA中配置SpringMVC环境的详细步骤及问题解决》:本文主要介绍IntelliJIDEA中配置SpringMVC环境的详细步骤及问题解决,本文分步骤结合实例给大... 目录步骤 1:创建 Maven Web 项目步骤 2:添加 Spring MVC 依赖1、保存后执行2、将新的依赖

SpringBoot中配置文件的加载顺序解读

《SpringBoot中配置文件的加载顺序解读》:本文主要介绍SpringBoot中配置文件的加载顺序,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录SpringBoot配置文件的加载顺序1、命令⾏参数2、Java系统属性3、操作系统环境变量5、项目【外部】的ap

SpringBoot UserAgentUtils获取用户浏览器的用法

《SpringBootUserAgentUtils获取用户浏览器的用法》UserAgentUtils是于处理用户代理(User-Agent)字符串的工具类,一般用于解析和处理浏览器、操作系统以及设备... 目录介绍效果图依赖封装客户端工具封装IP工具实体类获取设备信息入库介绍UserAgentUtils

Spring 中的循环引用问题解决方法

《Spring中的循环引用问题解决方法》:本文主要介绍Spring中的循环引用问题解决方法,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友参考下吧... 目录什么是循环引用?循环依赖三级缓存解决循环依赖二级缓存三级缓存本章来聊聊Spring 中的循环引用问题该如何解决。这里聊

Java学习手册之Filter和Listener使用方法

《Java学习手册之Filter和Listener使用方法》:本文主要介绍Java学习手册之Filter和Listener使用方法的相关资料,Filter是一种拦截器,可以在请求到达Servl... 目录一、Filter(过滤器)1. Filter 的工作原理2. Filter 的配置与使用二、Listen