喵感数据|distinct去重原理，是如何实现的，大数据Spark面试最近

最近，有位朋友问我， distinct去重原理是怎么实现的？
“在面试时，面试官问他了解distinct算子吗？”
“了解啊， Spark的rdd ，一种transFormation去重的算子，主要用来去重的” 。
“哟，看来你经常使用distinct算子，对distinct算子很熟悉啊” 。
“好说，好说” 。
“那你能说说distinct是如何实现去重的吗？”
我朋友支支吾吾半天：“就是这样、那样去重的啊” 。
“这样、那样是怎么去重的呢”
“具体有点忘记了(其实是根本就不知道)” 。
那么distinct ，底层到底是如何实现去重功能的呢？这个是面试spark部分时，经常被问到的问题。
先来看一段代码，我们测试一下distinct去重的作用：
importorg.apache.spark.rdd.RDD
importorg.apache.spark.{SparkConf,SparkContext}
objectSparkDistinct{
defmain(args:Array[String]):Unit={
valconf:SparkConf=newSparkConf().setMaster("local[*]").setAppName("SparkDistinct")
valsc:SparkContext=newSparkContext(conf)
//定义一个数组
valarray:Array[Int]=Array(1,1,1,2,2,3,3,4)
//把数组转为RDD算子,后面的数字2代表分区，也可以指定3 ， 4....个分区，也可以不指定。
valline:RDD[Int]=sc.parallelize(array,2)
line.distinct().foreach(x=>println(x))
//输出的结果已经去重：1 ， 2 ， 3 ， 4
}
}
通过上面的代码可以看出，使用distinct以后，会对重复的元素进行去重。我们来看下源码
/**
*ReturnanewRDDcontainingthedistinctelementsinthisRDD.
*/
defdistinct(numPartitions:Int)(implicitord:Ordering[T]=null):RDD[T]=withScope{
map(x=>(x,null)).reduceByKey((x,y)=>x,numPartitions).map(_._1)
}
/**
*ReturnanewRDDcontainingthedistinctelementsinthisRDD.
*/
defdistinct():RDD[T]=withScope{
distinct(partitions.length)
}
上面是distinct的源码，有带参和无参两种。当我们调用无参的distinct时，底层调用的是如下源码：
defdistinct():RDD[T]=withScope{
distinct(partitions.length)
}
而无参distinct()中又调用了带参数的distinct(partitions.length) 。

文章图片
其中， partitions.length代表是分区数，而这个分区则是我们在使用sc.parallelize(array,2)时指定的2个分区。
带参数的distinct其内部就很容易理解了，这就是一个wordcount统计单词的方法，区别是：后者通过元组获取了第一个单词元素。
map(x=>(x,null)).reduceByKey((x,y)=>x,numPartitions).map(_._1)
其中， numPartitions就是分区数。
我们也可以写成这样：
map(x=>(x,null)).reduceByKey((x,y)=>x).map(_._1)
也可以这样写：
line.map(x=>(x,1)).reduceByKey(_+_).map(_._1)

文章图片
通过上面的流程图很清晰的看出来， distinct的原理流程。
【喵感数据|distinct去重原理，是如何实现的，大数据Spark面试】使用map算子把元素转为一个带有null的元组；使用reducebykey对具有相同key的元素进行统计；之后再使用map算子，取得元组中的单词元素，实现去重的效果。