当前位置：网站首页>Spark 算子之groupBy使用

Spark 算子之groupBy使用

2022-04-23 15:45:00 【逆风飞翔的小叔】

前言

groupBy，顾名思义，即为分组的含义，在mysql中groupBy经常被使用，相信很多同学并不陌生，作为Spark 中比较常用的算子之一，有必要深入了解和学习；

函数签名

def groupBy[K](f: T => K )(implicit kt: ClassTag[K]): RDD[(K, Iterable[T])]

函数说明

将数据根据指定的规则进行分组 , 分区默认不变，但是数据会被打乱重新组合，我们将这样

的操作称之为 shuffle 。极限情况下，数据可能被分在同一个分区中

补充说明：

一个组的数据在一个分区中，但是并不是说一个分区中只有一个组

案例展示一

自定义一个集合，里面有多个字符串，按照每个元素的首字母进行分组

import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.rdd.RDD

object Group_Test {

  def main(args: Array[String]): Unit = {
    val sparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
    val sc = new SparkContext(sparkConf)

    val rdd : RDD[String] = sc.makeRDD(List("Hello","spark","scala","Hadoop"))
    val result = rdd.groupBy(_.charAt(0))

    result.collect().foreach(println)


  }

}

运行上面的代码，观察控制台输出效果

案例展示二

如下所示，为一个日志文件，现在需要按照时间进行分组，统计各个时间段内的数量

import java.text.SimpleDateFormat

import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.rdd.RDD

object Group_Test {

  def main(args: Array[String]): Unit = {

    val sparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
    val sc = new SparkContext(sparkConf)


    val rdd: RDD[String] = sc.textFile("E:\\code-self\\spi\\datas\\apache.log")

    val result = rdd.map(
      line => {
        val datas = line.split(" ")
        val time = datas(3)
        val sdf = new SimpleDateFormat("dd/MM/yyyy:HH:mm")
        val date = sdf.parse(time)

        val sdf1 = new SimpleDateFormat("yyyy:HH")
        val hour = sdf1.format(date)
        (hour, 1)
      }
    ).groupBy(_._1)

    result.map {
      case (hour, iter) => {
        (hour, iter.size)
      }
    }.collect().foreach(println)

  }

}

运行这段程序，观察控制台输出效果