RDD之五：Key-Value型Transformation算子

Transformation处理的数据为Key-Value形式的算子大致可以分为：输入分区与输出分区一对一、聚集、连接操作。

输入分区与输出分区一对一

mapValues

mapValues：针对（Key，Value）型数据中的Value进行Map操作，而不对Key进行处理。 

方框代表RDD分区。a=>a+2代表只对（ V1， 1）数据中的1进行加2操作，返回结果为3。

源码：

1. /**
2. * Pass each value in the key-value pair RDD through a map function without changing the keys;
3. * this also retains the original RDD's partitioning.
4. */
5. def mapValues[U](f: V => U): RDD[(K, U)] = {
6. val cleanF = self.context.clean(f)
7. new MapPartitionsRDD[(K, U), (K, V)](self,
8. (context, pid, iter) => iter.map { case (k, v) => (k, cleanF(v)) },
9. preservesPartitioning = true)
10. }

单个RDD或两个RDD聚集

（1）combineByKey

combineByKey是对单个Rdd的聚合。相当于将元素为（Int，Int）的RDD转变为了（Int，Seq[Int]）类型元素的RDD。 
定义combineByKey算子的说明如下：

• createCombiner： V => C， 在C不存在的情况下，如通过V创建seq C。
• mergeValue：(C, V) => C， 当C已经存在的情况下，需要merge，如把item V加到seq 
  C中，或者叠加。
• mergeCombiners：(C,C) => C，合并两个C。
• partitioner： Partitioner（分区器），Shuffle时需要通过Partitioner的分区策略进行分区。
• mapSideCombine： Boolean=true， 为了减小传输量，很多combine可以在map端先做。例如， 叠加可以先在一个partition中把所有相同的Key的Value叠加， 再shuffle。
• serializerClass：String=null，传输需要序列化，用户可以自定义序列化类。

方框代表RDD分区。 通过combineByKey，将（V1，2）、 （V1，1）数据合并为（V1，Seq（2，1））。

源码：

1. /**
2. * Generic function to combine the elements for each key using a custom set of aggregation
3. * functions. Turns an RDD[(K, V)] into a result of type RDD[(K, C)], for a "combined type" C
4. * Note that V and C can be different -- for example, one might group an RDD of type
5. * (Int, Int) into an RDD of type (Int, Seq[Int]). Users provide three functions:
6. *
7. * - `createCombiner`, which turns a V into a C (e.g., creates a one-element list)
8. * - `mergeValue`, to merge a V into a C (e.g., adds it to the end of a list)
9. * - `mergeCombiners`, to combine two C's into a single one.
10. *
11. * In addition, users can control the partitioning of the output RDD, and whether to perform
12. * map-side aggregation (if a mapper can produce multiple items with the same key).
13. */
14. def combineByKey[C](createCombiner: V => C,
15. mergeValue: (C, V) => C,
16. mergeCombiners: (C, C) => C,
17. partitioner: Partitioner,
18. mapSideCombine: Boolean = true,
19. serializer: Serializer = null): RDD[(K, C)] = {
20. require(mergeCombiners != null, "mergeCombiners must be defined") // required as of Spark 0.9.0
21. if (keyClass.isArray) {
22. if (mapSideCombine) {
23. throw new SparkException("Cannot use map-side combining with array keys.")
24. }
25. if (partitioner.isInstanceOf[HashPartitioner]) {
26. throw new SparkException("Default partitioner cannot partition array keys.")
27. }
28. }
29. val aggregator = new Aggregator[K, V, C](
30. self.context.clean(createCombiner),
31. self.context.clean(mergeValue),
32. self.context.clean(mergeCombiners))
33. if (self.partitioner == Some(partitioner)) {
34. self.mapPartitions(iter => {
35. val context = TaskContext.get()
36. new InterruptibleIterator(context, aggregator.combineValuesByKey(iter, context))
37. }, preservesPartitioning = true)
38. } else {
39. new ShuffledRDD[K, V, C](self, partitioner)
40. .setSerializer(serializer)
41. .setAggregator(aggregator)
42. .setMapSideCombine(mapSideCombine)
43. }
44. }
45. /**
46. * Simplified version of combineByKey that hash-partitions the output RDD.
47. */
48. def combineByKey[C](createCombiner: V => C,
49. mergeValue: (C, V) => C,
50. mergeCombiners: (C, C) => C,
51. numPartitions: Int): RDD[(K, C)] = {
52. combineByKey(createCombiner, mergeValue, mergeCombiners, new HashPartitioner(numPartitions))
53. }

（2）reduceByKey

reduceByKey是更简单的一种情况，只是两个值合并成一个值，所以createCombiner很简单，就是直接返回v，而mergeValue和mergeCombiners的逻辑相同，没有区别。

方框代表RDD分区。 通过用户自定义函数（A，B）=>（A+B），将相同Key的数据（V1，2）、（V1，1）的value相加，结果为（V1，3）。

源码：

1. /**
2. * Merge the values for each key using an associative reduce function. This will also perform
3. * the merging locally on each mapper before sending results to a reducer, similarly to a
4. * "combiner" in MapReduce.
5. */
6. def reduceByKey(partitioner: Partitioner, func: (V, V) => V): RDD[(K, V)] = {
7. combineByKey[V]((v: V) => v, func, func, partitioner)
8. }
9. /**
10. * Merge the values for each key using an associative reduce function. This will also perform
11. * the merging locally on each mapper before sending results to a reducer, similarly to a
12. * "combiner" in MapReduce. Output will be hash-partitioned with numPartitions partitions.
13. */
14. def reduceByKey(func: (V, V) => V, numPartitions: Int): RDD[(K, V)] = {
15. reduceByKey(new HashPartitioner(numPartitions), func)
16. }
17. /**
18. * Merge the values for each key using an associative reduce function. This will also perform
19. * the merging locally on each mapper before sending results to a reducer, similarly to a
20. * "combiner" in MapReduce. Output will be hash-partitioned with the existing partitioner/
21. * parallelism level.
22. */
23. def reduceByKey(func: (V, V) => V): RDD[(K, V)] = {
24. reduceByKey(defaultPartitioner(self), func)
25. }

（3）partitionBy

partitionBy函数对RDD进行分区操作。 
如果原有RDD的分区器和现有分区器（partitioner）一致，则不重分区，如果不一致，则相当于根据分区器生成一个新的ShuffledRDD。 

方框代表RDD分区。 通过新的分区策略将原来在不同分区的V1、 V2数据都合并到了一个分区。

源码：

1. /**
2. * Return a copy of the RDD partitioned using the specified partitioner.
3. */
4. def partitionBy(partitioner: Partitioner): RDD[(K, V)] = {
5. if (keyClass.isArray && partitioner.isInstanceOf[HashPartitioner]) {
6. throw new SparkException("Default partitioner cannot partition array keys.")
7. }
8. if (self.partitioner == Some(partitioner)) {
9. self
10. } else {
11. new ShuffledRDD[K, V, V](self, partitioner)
12. }
13. }

（4）cogroup

cogroup函数将两个RDD进行协同划分。对在两个RDD中的Key-Value类型的元素，每个RDD相同Key的元素分别聚合为一个集合，并且返回两个RDD中对应Key的元素集合的迭代器(K, (Iterable[V], Iterable[w]))。其中，Key和Value，Value是两个RDD下相同Key的两个数据集合的迭代器所构成的元组。

大方框代表RDD，大方框内的小方框代表RDD中的分区。 将RDD1中的数据（U1，1）、（U1，2）和RDD2中的数据（U1，2）合并为（U1，（（1，2），（2）））。

源码：

1. /**
2. * For each key k in `this` or `other1` or `other2` or `other3`,
3. * return a resulting RDD that contains a tuple with the list of values
4. * for that key in `this`, `other1`, `other2` and `other3`.
5. */
6. def cogroup[W1, W2, W3](other1: RDD[(K, W1)],
7. other2: RDD[(K, W2)],
8. other3: RDD[(K, W3)],
9. partitioner: Partitioner)
10. : RDD[(K, (Iterable[V], Iterable[W1], Iterable[W2], Iterable[W3]))] = {
11. if (partitioner.isInstanceOf[HashPartitioner] && keyClass.isArray) {
12. throw new SparkException("Default partitioner cannot partition array keys.")
13. }
14. val cg = new CoGroupedRDD[K](Seq(self, other1, other2, other3), partitioner)
15. cg.mapValues { case Array(vs, w1s, w2s, w3s) =>
16. (vs.asInstanceOf[Iterable[V]],
17. w1s.asInstanceOf[Iterable[W1]],
18. w2s.asInstanceOf[Iterable[W2]],
19. w3s.asInstanceOf[Iterable[W3]])
20. }
21. }
22. /**
23. * For each key k in `this` or `other`, return a resulting RDD that contains a tuple with the
24. * list of values for that key in `this` as well as `other`.
25. */
26. def cogroup[W](other: RDD[(K, W)], partitioner: Partitioner)
27. : RDD[(K, (Iterable[V], Iterable[W]))]  = {
28. if (partitioner.isInstanceOf[HashPartitioner] && keyClass.isArray) {
29. throw new SparkException("Default partitioner cannot partition array keys.")
30. }
31. val cg = new CoGroupedRDD[K](Seq(self, other), partitioner)
32. cg.mapValues { case Array(vs, w1s) =>
33. (vs.asInstanceOf[Iterable[V]], w1s.asInstanceOf[Iterable[W]])
34. }
35. }
36. /**
37. * For each key k in `this` or `other1` or `other2`, return a resulting RDD that contains a
38. * tuple with the list of values for that key in `this`, `other1` and `other2`.
39. */
40. def cogroup[W1, W2](other1: RDD[(K, W1)], other2: RDD[(K, W2)], partitioner: Partitioner)
41. : RDD[(K, (Iterable[V], Iterable[W1], Iterable[W2]))] = {
42. if (partitioner.isInstanceOf[HashPartitioner] && keyClass.isArray) {
43. throw new SparkException("Default partitioner cannot partition array keys.")
44. }
45. val cg = new CoGroupedRDD[K](Seq(self, other1, other2), partitioner)
46. cg.mapValues { case Array(vs, w1s, w2s) =>
47. (vs.asInstanceOf[Iterable[V]],
48. w1s.asInstanceOf[Iterable[W1]],
49. w2s.asInstanceOf[Iterable[W2]])
50. }
51. }
52. /**
53. * For each key k in `this` or `other1` or `other2` or `other3`,
54. * return a resulting RDD that contains a tuple with the list of values
55. * for that key in `this`, `other1`, `other2` and `other3`.
56. */
57. def cogroup[W1, W2, W3](other1: RDD[(K, W1)], other2: RDD[(K, W2)], other3: RDD[(K, W3)])
58. : RDD[(K, (Iterable[V], Iterable[W1], Iterable[W2], Iterable[W3]))] = {
59. cogroup(other1, other2, other3, defaultPartitioner(self, other1, other2, other3))
60. }
61. /**
62. * For each key k in `this` or `other`, return a resulting RDD that contains a tuple with the
63. * list of values for that key in `this` as well as `other`.
64. */
65. def cogroup[W](other: RDD[(K, W)]): RDD[(K, (Iterable[V], Iterable[W]))] = {
66. cogroup(other, defaultPartitioner(self, other))
67. }
68. /**
69. * For each key k in `this` or `other1` or `other2`, return a resulting RDD that contains a
70. * tuple with the list of values for that key in `this`, `other1` and `other2`.
71. */
72. def cogroup[W1, W2](other1: RDD[(K, W1)], other2: RDD[(K, W2)])
73. : RDD[(K, (Iterable[V], Iterable[W1], Iterable[W2]))] = {
74. cogroup(other1, other2, defaultPartitioner(self, other1, other2))
75. }
76. /**
77. * For each key k in `this` or `other`, return a resulting RDD that contains a tuple with the
78. * list of values for that key in `this` as well as `other`.
79. */
80. def cogroup[W](other: RDD[(K, W)], numPartitions: Int): RDD[(K, (Iterable[V], Iterable[W]))] = {
81. cogroup(other, new HashPartitioner(numPartitions))
82. }
83. /**
84. * For each key k in `this` or `other1` or `other2`, return a resulting RDD that contains a
85. * tuple with the list of values for that key in `this`, `other1` and `other2`.
86. */
87. def cogroup[W1, W2](other1: RDD[(K, W1)], other2: RDD[(K, W2)], numPartitions: Int)
88. : RDD[(K, (Iterable[V], Iterable[W1], Iterable[W2]))] = {
89. cogroup(other1, other2, new HashPartitioner(numPartitions))
90. }
91. /**
92. * For each key k in `this` or `other1` or `other2` or `other3`,
93. * return a resulting RDD that contains a tuple with the list of values
94. * for that key in `this`, `other1`, `other2` and `other3`.
95. */
96. def cogroup[W1, W2, W3](other1: RDD[(K, W1)],
97. other2: RDD[(K, W2)],
98. other3: RDD[(K, W3)],
99. numPartitions: Int)
100. : RDD[(K, (Iterable[V], Iterable[W1], Iterable[W2], Iterable[W3]))] = {
101. cogroup(other1, other2, other3, new HashPartitioner(numPartitions))
102. }

连接

（1）join

join对两个需要连接的RDD进行cogroup函数操作。cogroup操作之后形成的新RDD，对每个key下的元素进行笛卡尔积操作，返回的结果再展平，对应Key下的所有元组形成一个集合，最后返回RDD[(K，(V，W))]。
join的本质是通过cogroup算子先进行协同划分，再通过flatMapValues将合并的数据打散。 

对两个RDD的join操作示意图。 大方框代表RDD，小方框代表RDD中的分区。函数对拥有相同Key的元素（例如V1）为Key，以做连接后的数据结果为（V1，（1，1））和（V1，（1，2））。

源码：

1. /**
2. * Return an RDD containing all pairs of elements with matching keys in `this` and `other`. Each
3. * pair of elements will be returned as a (k, (v1, v2)) tuple, where (k, v1) is in `this` and
4. * (k, v2) is in `other`. Uses the given Partitioner to partition the output RDD.
5. */
6. def join[W](other: RDD[(K, W)], partitioner: Partitioner): RDD[(K, (V, W))] = {
7. this.cogroup(other, partitioner).flatMapValues( pair =>
8. for (v <- pair._1.iterator; w <- pair._2.iterator) yield (v, w)
9. )
10. }

（2）leftOuterJoin和rightOuterJoin

LeftOuterJoin（左外连接）和RightOuterJoin（右外连接）相当于在join的基础上先判断一侧的RDD元素是否为空，如果为空，则填充为空。 如果不为空，则将数据进行连接运算，并返回结果。

源码：

1. /**
2. * Perform a left outer join of `this` and `other`. For each element (k, v) in `this`, the
3. * resulting RDD will either contain all pairs (k, (v, Some(w))) for w in `other`, or the
4. * pair (k, (v, None)) if no elements in `other` have key k. Uses the given Partitioner to
5. * partition the output RDD.
6. */
7. def leftOuterJoin[W](other: RDD[(K, W)], partitioner: Partitioner): RDD[(K, (V, Option[W]))] = {
8. this.cogroup(other, partitioner).flatMapValues { pair =>
9. if (pair._2.isEmpty) {
10. pair._1.iterator.map(v => (v, None))
11. } else {
12. for (v <- pair._1.iterator; w <- pair._2.iterator) yield (v, Some(w))
13. }
14. }
15. }
16. /**
17. * Perform a right outer join of `this` and `other`. For each element (k, w) in `other`, the
18. * resulting RDD will either contain all pairs (k, (Some(v), w)) for v in `this`, or the
19. * pair (k, (None, w)) if no elements in `this` have key k. Uses the given Partitioner to
20. * partition the output RDD.
21. */
22. def rightOuterJoin[W](other: RDD[(K, W)], partitioner: Partitioner)
23. : RDD[(K, (Option[V], W))] = {
24. this.cogroup(other, partitioner).flatMapValues { pair =>
25. if (pair._1.isEmpty) {
26. pair._2.iterator.map(w => (None, w))
27. } else {
28. for (v <- pair._1.iterator; w <- pair._2.iterator) yield (Some(v), w)
29. }
30. }
31. }

原文链接：http://blog.csdn.net/jasonding1354