java实现spark常用算子之groupbykey

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.VoidFunction;
import scala.Tuple2;

import java.util.Arrays;
import java.util.List;

/**
 * groupbykey([numTasks]) 算子：
 * 将rdd中的算子按照key进行分组操作，所有的key对应的是一个iterable
 * 可以设置并行度,如果没有设置并行默认与父RDD保持一直，也就是父RDD有多少partitions，它的并行度就是多少
 * 是对RDD中的所有数据做shuffle,根据不同的Key映射到不同的partition中再进行aggregate
 */
public class GroupByKeyOperator {
    public static void main(String[] args) {
        SparkConf conf = new SparkConf().setMaster("local").setAppName("groupbykey");
        JavaSparkContext sc = new JavaSparkContext(conf);
        List<Tuple2<String,String>> list = Arrays.asList(
                new Tuple2("W1","1"),
                new Tuple2("W2","2"),
                new Tuple2("W3","3"),
                new Tuple2("W2","22"),
                new Tuple2("W1","11")
                );
        JavaPairRDD<String,String> listRdd = sc.parallelizePairs(list,2);

        JavaPairRDD<String,Iterable<String>> result = listRdd.groupByKey(3);

        result.foreach(new VoidFunction<Tuple2<String, Iterable<String>>>() {
            @Override
            public void call(Tuple2<String, Iterable<String>> stringIterableTuple2) throws Exception {
                System.err.println(stringIterableTuple2._1+":"+stringIterableTuple2._2);
            }
        });
    }
}

微信扫描下图二维码加入博主知识星球,获取更多大数据、人工智能、算法等免费学习资料哦！