Spark经典案例2-数据去重

/**
* 业务场景：数据去重问题
* Created by YJ on 2017/2/7.
* 统计数据,尽量用reduceByKey,不要用groupByKey,优化点
* reduceByKey,在本机suffle后,再发送一个总map，发送到一个总机器上汇总，（汇总要压力小）
* groupByKey,发送本机所有的map,在一个机器上汇总（汇总压力大）
*/
/*

数据格式
flie1:
2012-3-1 a
2012-3-2 b
2012-3-3 c
2012-3-4 d
2012-3-5 a
2012-3-6 b
2012-3-7 c
2012-3-3 c
flie2:
2012-3-1 b
2012-3-2 a
2012-3-3 b
2012-3-4 d
2012-3-5 a
2012-3-6 c
2012-3-7 d
2012-3-3 c
*/

package ClassicCaseimport org.apache.spark.{SparkConf, SparkContext}object case2 {  def main(args: Array[String]): Unit = {    val conf = new SparkConf().setMaster("local").setAppName("reduce")    val sc = new SparkContext(conf)    sc.setLogLevel("ERROR")    //获取数据    val two = sc.textFile("hdfs://192.168.109.130:8020//user/flume/ClassicCase/case2/*")    two.filter(_.trim().length>0) //需要有空格。        .map(line=>(line.trim,""))//全部值当key，(key value,"")          .groupByKey()//groupByKey,过滤重复的key value ，发送到总机器上汇总              .sortByKey() //按key value的自然顺序排序                  .keys.collect().foreach(println) //所有的keys变成数组再输出    //第二种有风险    two.filter(_.trim().length>0)          .map(line=>(line.trim,"1"))            .distinct()                .reduceByKey(_+_)                    .sortByKey()                        .foreach(println)    //reduceByKey,在本机suffle后,再发送一个总map，发送到一个总机器上汇总，（汇总要压力小）    //groupByKey,发送本机所有的map,在一个机器上汇总（汇总压力大）    //如果数据在不同的机器上，则会出现先重复数据，distinct，reduceBykey，只是在本机上去重，谨慎一点的话，在reduceByKey后面需要加多一个distinct  }}

输出结果
2012-3-1 a
2012-3-1 b
2012-3-2 a
2012-3-2 b
2012-3-3 b
2012-3-3 c
2012-3-4 d
2012-3-5 a
2012-3-6 b
2012-3-6 c
2012-3-7 c
2012-3-7 d
(2012-3-1 a,1)
(2012-3-1 b,1)
(2012-3-2 a,1)
(2012-3-2 b,1)
(2012-3-3 b,1)
(2012-3-3 c,1)
(2012-3-4 d,1)
(2012-3-5 a,1)
(2012-3-6 b,1)
(2012-3-6 c,1)
(2012-3-7 c,1)
(2012-3-7 d,1)

reduceByKey和groupByKey区别与用法

（1）当采用reduceByKeyt时，Spark可以在每个分区移动数据之前将待输出数据与一个共用的key结合。借助下图可以理解在reduceByKey里究竟发生了什么。 注意在数据对被搬移前同一机器上同样的key是怎样被组合的(reduceByKey中的lamdba函数)。然后lamdba函数在每个区上被再次调用来将所有值reduce成一个最终结果。整个过程如下：

（2）当采用groupByKey时，由于它不接收函数，spark只能先将所有的键值对(key-value pair)都移动，这样的后果是集群节点之间的开销很大，导致传输延时。整个过程如下：

( 3 )区别
reduceByKey,在本机suffle后,再发送一个总map，发送到一个总机器上suffle汇总map，（汇总要压力小）
groupByKey,发送本机所有的map,在一个机器上suffle汇总map（汇总压力大）

因此，在对大数据进行复杂计算时，reduceByKey优于groupByKey。
另外，如果仅仅是group处理，那么以下函数应该优先于 groupByKey ：
　　（1）、combineByKey 组合数据，但是组合之后的数据类型与输入时值的类型不一样。
　　（2）、foldByKey合并每一个 key 的所有值，在级联函数和“零值”中使用。