spark2.x由浅入深深到底系列六之RDD 支持java8 lambda表达式

yanfangsheng123

　　学习spark任何技术之前，请正确理解spark，可以参考：正确理解spark

　　

　　我们在 http://7639240.blog.运维网.com/7629240/1966131 中已经知道了，一个scala函数其实就是java中的一个接口，对于java8 lambda而言，也是一样，一个lambda表达式就是java中的一个接口。接下来我们先看看spark中最简单的wordcount这个例子，分别用java8的非lambda以及lambda来实现：
　　

　　一、非lambda实现的java spark wordcount程序：
public class WordCount {
    public static void main(String[] args) {
        SparkConf conf = new SparkConf().setAppName("appName").setMaster("local");
        JavaSparkContext sc = new JavaSparkContext(conf);
        //JavaPairRDD inputRDD = sc.hadoopFile("hdfs://master:9999/user/word.txt",
        //        TextInputFormat.class, LongWritable.class, Text.class);
        JavaRDD inputRDD = sc.textFile("file:///Users/tangweiqun/test.txt");
        JavaRDD wordsRDD = inputRDD.flatMap(new FlatMapFunction() {
            @Override
            public Iterator call(String s) throws Exception {
                return Arrays.asList(s.split(" ")).iterator();
            }
        });
        JavaPairRDD keyValueWordsRDD
                = wordsRDD.mapToPair(new PairFunction() {
            @Override
            public Tuple2 call(String s) throws Exception {
                return new Tuple2(s, 1);
            }
        });
        JavaPairRDD wordCountRDD =
                keyValueWordsRDD.reduceByKey(new HashPartitioner(2),
                        new Function2() {
            @Override
            public Integer call(Integer a, Integer b) throws Exception {
                return a + b;
            }
        });
        //如果输出文件存在的话需要删除掉
        File outputFile = new File("/Users/tangweiqun/wordcount");
        if (outputFile.exists()) {
            File[] files = outputFile.listFiles();
            for(File file: files) {
                file.delete();
            }
            outputFile.delete();
        }
        wordCountRDD.saveAsTextFile("file:///Users/tangweiqun/wordcount");
        System.out.println(wordCountRDD.collect());
    }
}　　

　　二、java8 lambda实现的wordcount代码
public class WordCount {
    public static void main(String[] args) {
        SparkConf conf = new SparkConf().setAppName("appName").setMaster("local");
        JavaSparkContext sc = new JavaSparkContext(conf);
        //JavaPairRDD inputRDD = sc.hadoopFile("hdfs://master:9999/user/word.txt",
        //        TextInputFormat.class, LongWritable.class, Text.class);
        JavaRDD inputRDD = sc.textFile("file:///Users/tangweiqun/test.txt");
        JavaRDD wordsRDD = inputRDD.flatMap(input -> Arrays.asList(input.split(" ")).iterator());
        JavaPairRDD keyValueWordsRDD
                = wordsRDD.mapToPair(word -> new Tuple2(word, 1));
        JavaPairRDD wordCountRDD = keyValueWordsRDD.reduceByKey((a, b) -> a + b);
        //如果输出文件存在的话需要删除掉
        File outputFile = new File("/Users/tangweiqun/wordcount");
        if (outputFile.exists()) {
            File[] files = outputFile.listFiles();
            for(File file: files) {
                file.delete();
            }
            outputFile.delete();
        }
        wordCountRDD.saveAsTextFile("file:///Users/tangweiqun/wordcount");
        System.out.println(wordCountRDD.collect());
    }
}　　

　　从上面可以看出，lambda的实现更加简洁，也可以看出一个lambda函数表达式就是一个java接口。
　　

　　我们在http://7639240.blog.运维网.com/7629240/1966958提到的combineByKey，如下的代码：
JavaPairRDD javaPairRDD =
        sc.parallelizePairs(Arrays.asList(new Tuple2("coffee", 1), new Tuple2("coffee", 2),
                new Tuple2("panda", 3), new Tuple2("coffee", 9)), 2);
//当在一个分区中遇到新的key的时候，对这个key对应的value应用这个函数
Function createCombiner = new Function() {
    @Override
    public Tuple2 call(Integer value) throws Exception {
        return new Tuple2(value, 1);
    }
};
//当在一个分区中遇到已经应用过上面createCombiner函数的key的时候，对这个key对应的value应用这个函数
Function2 mergeValue =
        new Function2() {
            @Override
            public Tuple2 call(Tuple2 acc, Integer value) throws Exception {
                return new Tuple2(acc._1() + value, acc._2() + 1);
            }
        };
//当需要对不同分区的数据进行聚合的时候应用这个函数
Function2 mergeCombiners =
        new Function2() {
            @Override
            public Tuple2 call(Tuple2 acc1, Tuple2 acc2) throws Exception {
                return new Tuple2(acc1._1() + acc2._1(), acc1._2() + acc2._2());
            }
        };
JavaPairRDD combineByKeyRDD =
        javaPairRDD.combineByKey(createCombiner, mergeValue, mergeCombiners);
//结果：[(coffee,(12,3)), (panda,(3,1))]
System.out.println("combineByKeyRDD = " + combineByKeyRDD.collect());　　可以写成如下的lambda实现的combineByKey:
JavaPairRDD javaPairRDD =
        sc.parallelizePairs(Arrays.asList(new Tuple2("coffee", 1), new Tuple2("coffee", 2),
                new Tuple2("panda", 3), new Tuple2("coffee", 9)), 2);
//当在一个分区中遇到新的key的时候，对这个key对应的value应用这个函数
Function createCombiner = value -> new Tuple2(value, 1);
//当在一个分区中遇到已经应用过上面createCombiner函数的key的时候，对这个key对应的value应用这个函数
Function2 mergeValue = (acc, value) ->new Tuple2(acc._1() + value, acc._2() + 1);
//当需要对不同分区的数据进行聚合的时候应用这个函数
Function2 mergeCombiners = (acc1, acc2) -> new Tuple2(acc1._1() + acc2._1(), acc1._2() + acc2._2());
JavaPairRDD combineByKeyRDD =
        javaPairRDD.combineByKey(createCombiner, mergeValue, mergeCombiners);
//结果：[(coffee,(12,3)), (panda,(3,1))]
System.out.println("combineByKeyRDD = " + combineByKeyRDD.collect());　　

　　如果想深入的系统的理解spark RDD api可以参考： spark core RDD api原理详解