PageRank是執(zhí)行多次連接的一個迭代算法，因此它是RDD分區(qū)操作的很好demo，算法維護兩個數據集

1. (pageID,listList) 包含每個頁面的相鄰頁面列表。
2. (pageID,rank) 包含每個頁面的當前排序值， pageRank計算過程大致如下：
3. 將每個頁面的排序值初始化為1.0
4. 在每次迭代中，對頁面p，向其每個相鄰頁面(有直接連接的頁面)發(fā)松一個值為 rank(p)/numNeighbors(p)的貢獻值。
5. 將每個頁面的排序值設定為 0.15 + 0.85 *contributionsReceived 其中2 跟3 會重復循環(huán)幾次，在此過程中算法會逐漸收斂于每個頁面的實際PageRank值，實際操作中一般迭代10次。

package com.sowhat.spark

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

/**
* links = （pageID,LinkList）
* ranks = (pageID,rank)
**/
object MyPageRank {
 def main(args: Array[String]): Unit = {
   val conf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("pagerank")

   //創(chuàng)建SparkContext，該對象是提交spark App的入口
   val sc = new SparkContext(conf)

   val links: RDD[(String, Seq[String])] = sc.objectFile[(String, Seq[String])]("filepwd").partitionBy(new HashPartitioner(100)).persist()
   var ranks: RDD[(String, Double)] = links.mapValues(x => 1.0)

   for (i <- 0 until 10) {
     val totalRDD: RDD[(String, (Seq[String], Double))] = links.join(ranks)
     val contributions: RDD[(String, Double)] = totalRDD.flatMap(
       {
         case (pageID, (links, rank)) => links.map(dest => (dest, rank / links.size))
       }
     )
     ranks = contributions.reduceByKey(_ + _).mapValues(v => 0.15 + 0.85 * v)
   }
   ranks.saveAsTextFile("ranks")
 }

}

算法從ranksRDD的每個元素的值初始化為1.0開始，然后每次迭代都都不斷的更新ranks值，其中主要優(yōu)化部分如下。

1. linksRDD每次迭代都會跟ranks發(fā)生連接操作，因此將大數據集links進行partitionBy 會節(jié)約相當多的網絡通信優(yōu)化開銷。
2. 跟上面的原因一樣，用persist 可以將數據保存早內存中，以供每次迭代使用。
3. 我們在第一次創(chuàng)建ranks時， 我們用mapValues而不是map() 來保留父RDD links的分區(qū)方式，這樣對第一次連接操作開銷減少很多。
4. 循環(huán)體中 reduceByKey后使用mapValues 因為reduceByKey已經是哈希分區(qū)了，下一次迭代時候效率更快。

建議：為最大化分區(qū)相關優(yōu)化潛在作用，在無需更改元素鍵的時候盡量使用 mapValues 或 flatMapValues。

本文使用 mdnice 排版