該博客是該系列文章的第一篇，討論了MapReduce設計模式一書中的一些設計模式，并展示了如何在Apache Spark（R）中實現這些模式。

在編寫MapReduce或Spark程序時，考慮執行作業的數據流很有用。 即使Pig，Hive，Apache Drill和Spark數據框使分析數據變得更加容易，在較低級別理解流還是很有用的，就像使用Explain理解查詢計劃一樣有價值。 考慮這一點的一種方法是對模式類型進行分組，這些模式是用于解決常見和常規數據處理問題的模板。 以下是MapReduce書籍中MapReduce模式的類型列表：

• 匯總模式
• 過濾模式
• 數據組織模式
• 聯接模式
• 元模式
• 輸入和輸出模式

在這篇文章中，我們將介紹一種匯總模式，即數值匯總。

數值總結

數值匯總是一種用于計算數據匯總統計值的模式。 目的是按關鍵字段對記錄進行分組，并計算每組的匯總，例如最小值，最大值，中位數。 MapReduce設計模式手冊中的下圖顯示了該模式在MapReduce中的一般執行。

此聚合模式對應于在SQL中使用GROUP BY ，例如：

SELECT MIN(numericalcol1), MAX(numericalcol1),COUNT(*) FROM table GROUP BY groupcol2;

在Pig中，這對應于：

b = GROUP a BY groupcol2; c = FOREACH b GENERATE group, MIN(a.numericalcol1),MAX(a.numericalcol1), COUNT_STAR(a);

在Spark中，鍵值對RDD通常用于按鍵分組以執行聚合，如MapReduce圖所示，但是，使用Spark Pair RDDS，您不僅具有Map和Reduce 功能 ，還具有更多功能 。

我們將使用以前在Spark Dataframes上的博客中的數據集介紹一些匯總示例。 數據集是一個.csv文件，由在線拍賣數據組成。 每個拍賣都有一個與其關聯的拍賣ID，并且可以有多個出價。 每行代表一個出價。 對于每個出價，我們都有以下信息：

（在代碼框中，注釋為綠色，輸出為藍色）

下面，我們從ebay.csv文件加載數據，然后使用Scala案例類定義與ebay.csv文件相對應的Auction模式。 然后，將map（）轉換應用于每個元素以創建Auction對象的AuctionRDD。

// SQLContext entry point for working with structured data val sqlContext = new org.apache.spark.sql.SQLContext(sc) // this is used to implicitly convert an RDD to a DataFrame. import sqlContext.implicits._ // Import Spark SQL data types and Row. import org.apache.spark.sql._ //define the schema using a case class case class Auction(auctionid: String, bid: Double, bidtime: Double, bidder: String, bidderrate: Integer, openbid: Double, price: Double, item: String, daystolive: Integer) // create an RDD of Auction objects val auctionRDD= sc.textFile("ebay.csv").map(_.split(",")).map(p => Auction(p(0),p(1).toDouble,p(2).toDouble,p(3),p(4).toInt,p(5).toDouble,p(6).toDouble,p(7),p(8).toInt ))

下圖顯示了Spark的一般執行情況，用于計算項目每次競價的平均出價。

相應的代碼如下所示。 首先，創建一個鍵值對，其中拍賣ID和商品為鍵，出價金額為1，例如（（（id，item），bid amount，1））。 接下來，reduceBykey執行投標金額的總和和投標金額的總和，以獲得總投標金額和計數。 mapValues計算平均值，即總出價金額/出價計數。

// create key value pairs of ( (auctionid, item) , (bid, 1)) val apair = auctionRDD.map(auction=>((auction.auctionid,auction.item), (auction.bid, 1))) // reducebyKey to get the sum of bids and count sum val atotalcount = apair.reduceByKey((x,y) => (x._1 + y._1, x._2 + y._2)) // get a couple results atotalcount.take(2) // Array(((1641062012,cartier),(4723.99,3)), ((2920322392,palm),(3677.96,32))) // avg = total/count val avgs = atotalcount.mapValues{ case (total, count) => total.toDouble / count } // get a couple results avgs.take(2) // Array(((1641062012,cartier),1574.6633333333332), ((2920322392,palm),114.93625))// This could also be written like this val avgs =auctionRDD.map(auction=>((auction.auctionid,auction.item), (auction.bid, 1))).reduceByKey((x,y) => (x._1 + y._1, x._2 + y._2)).mapValues{ case (total, count) => total.toDouble / count }

也可以使用java Math類或spark StatCounter類來計算統計信息，如下所示

import java.lang.Math// Calculate the minimum bid per auction val amax = apair.reduceByKey(Math.min) // get a couple results amax.take(2) // Array(((1641062012,cartier),1524.99), ((2920322392,palm),1.0))import org.apache.spark.util.StatCounter // Calculate statistics on the bid amount per auction val astats = apair.groupByKey().mapValues(list => StatCounter(list)) // get a result astats.take(1) // Array(((1641062012,cartier),(count: 3, mean: 1574.663333, stdev: 35.126723, max: 1600.000000, min: 1524.990000)))

Spark DataFrames提供了一種特定于域的語言來進行分布式數據操作，從而使執行聚合更加容易。 此外，DataFrame查詢的性能要優于使用PairRDD進行編碼，因為它們的執行是由查詢優化器自動優化的。 這是一個使用DataFrames來按Auctionid和item獲取最低，最高和平均出價的示例：

val auctionDF = auctionRDD.toDF() // get the max, min, average bid by auctionid and item auctionDF.groupBy("auctionid", "item").agg($"auctionid",$"item", max("bid"), min("bid"), avg("bid")).show auctionid item MAX(bid) MIN(bid) AVG(bid) 3016429446 palm 193.0 120.0 167.54900054931642 8211851222 xbox 161.0 51.0 95.98892879486084

您還可以使用Spark SQL在使用DataFrames時使用SQL。 本示例按Auctionid和Item獲取最高，最低，平均出價。

// register as a temp table inorder to use sql auctionDF .registerTempTable("auction") // get the max, min, average bid by auctionid and item val aStatDF = sqlContext.sql("SELECT auctionid, item, MAX(bid) as maxbid, min(bid) as minbid, avg(bid) as avgbid FROM auction GROUP BY auctionid, item")// show some results aStatDF.show auctionid item maxbid minbid avgbid 3016429446 palm 193.0 120.0 167.549 8211851222 xbox 161.0 51.0 95.98892857142857

摘要

這是本系列文章的第一部分，該系列文章將討論使用Spark實現的一些MapReduce設計模式。 討論非常緊湊，有關模式的更多信息，請參閱MapReduce設計模式手冊，有關Spark Pair RDD的更多信息，請參閱“ 學習Spark Key值對”一章。

參考和更多信息

• 免費的交互式電子書– Apache Spark入門：從開始到生產
• MapReduce設計模式書
• DataFrame上聚合的方法
• 免費的Spark on Demand培訓

翻譯自: https://www.javacodegeeks.com/2015/11/mapreduce-design-patterns-implemented-in-apache-spark.html

總結

以上是生活随笔為你收集整理的Apache Spark中实现的MapReduce设计模式的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。