RDD Java API 学习总结

RDD Java API 学习总结

1. 简介

RDD，弹性分布式数据集，即分布式的元素集合。在spark中，对所有数据的操作不外乎是创建RDD、转化已有的RDD以及调用RDD操作进行求值。在这一切的背后，Spark会自动将RDD中的数据分发到集群中，并将操作并行化。

Spark中的RDD就是一个不可变的分布式对象集合。每个RDD都被分为多个分区，这些分区运行在集群中的不同节点上。RDD可以包含Python，Java，Scala中任意类型的对象，甚至可以包含用户自定义的对象。

用户可以使用两种方法创建RDD：读取一个外部数据集，或在驱动器程序中分发驱动器程序中的对象集合，比如list或者set。

RDD的转化操作都是惰性求值的，这意味着我们对RDD调用转化操作，操作不会立即执行。相反，Spark会在内部记录下所要求执行的操作的相关信息。我们不应该把RDD看做存放着特定数据的数据集，而最好把每个RDD当做我们通过转化操作构建出来的、记录如何计算数据的指令列表。数据读取到RDD中的操作也是惰性的，数据只会在必要时读取。转化操作和读取操作都有可能多次执行。

2. 初始操作

2.1 创建入口对象

SparkConf conf = new SparkConf().setAppName("Collaborative Filtering Example").setMaster("local");      //这里测试环境为windows，本地运行
JavaSparkContext sc = new JavaSparkContext(conf);

2.2 创建RDD数据集

（1）读取一个外部数据集

JavaRDD<String> lines=sc.textFile("C:/Users/Administrator/Desktop/movie/ratings.dat");

（2）分发对象集合，这里以list为例

List<String> list = new ArrayList<String>();
// 建立列表，列表中包含以下自定义表项
list.add("result:a");
list.add("result:b");
list.add("result:c");
list.add("message:d");
list.add("END!");

//将List转为RDD对象
JavaRDD<String> lines = sc.parallelize(list);
//上述方式等价于
//JavaRDD<String> lines=sc.parallelize(Arrays.asList("a","b","c"));

3. RDD操作

3.1 转化操作

// 将RDD对象lines中有result的表项过滤出来，放在RDD对象resultLines中
JavaRDD<String> resultLines = lines.filter(new Function<String, Boolean>() {
    public Boolean call(String v1) throws Exception {
        return v1.contains("result");
    }
}); 
// 将RDD对象lines中有message的表项过滤出来，放在RDD对象resultLines中
JavaRDD<String> msgLines = lines.filter(new Function<String, Boolean>() {
    public Boolean call(String v1) throws Exception {
        return v1.contains("message");
    }
});
// 遍历过滤出来的列表项
List<String> resultList = resultLines.collect();
System.out.println("包含result的列表项：");
for (String line : resultList)
    System.out.println(line);

输出：

包含result的列表项：

result：a

result：b

result：c

3.2 合并操作

//union合并操作——将两个RDD数据集合并为一个RDD数据集
JavaRDD<String> unionLines = resultLines.union(msgLines);

3.3 获取RDD数据集中的部分或者全部元素

/*
 * 获取RDD数据集中的部分元素   .take(int num)  返回值List<T>   
 */
//获取RDD数据集中的前2项。
for(String line :unionLines.take(2)){
    System.out.println(line);
}

/*
 * 获取RDD数据集中的全部元素   .collect() 返回值 List<T>
 */
List<String> unionList = unionLines.collect();
System.out.println("合并的列表项：");
for (String string : unionList) {
    System.out.println(string);
}

4. 向Spark传递函数

4.1 Function< T,R>

/*
 * Function<T,R>
 * 接收一个输入值并返回一个输出值，用于类似map()和filter()的操作中
 * R call(T)
 */
//过滤RDD数据集中包含result的表项，新建RDD数据集resultLines
JavaRDD<String> resultLines=lines.filter(
        new Function<String, Boolean>() {
            public Boolean call(String v1)throws Exception {
                return v1.contains("result");
            }
        }
);

4.2 Function< T1,T2,R>

/*
 * Function<T1,T2,R>
 * 接收两个输入值并返回一个输出值，用于类似aggregate()和fold()等操作中
 * R call(T1,T2)
 */

List<String> strLine=new ArrayList<String>();
strLine.add("hello world");
strLine.add("This is Spark");
strLine.add("This is JavaRDD")
JavaRDD<String> input=sc.parallelize(strLine);

//以下代码的功能是wordcount，其中的reduceByKey操作的Function2函数定义了遇到相同的key时，value是如何reduce的————直接将两者的value相加。
//将文本行的单词过滤出来，并将所有的单词保存在RDD数据集words中。切分为单词，扁平化处理。见4.3
JavaRDD<String> words=input.flatMap(
        new FlatMapFunction<String, String>() {
            public Iterable<String> call(String s) throws Exception {
                return Arrays.asList(s.split(" "));
            }
        }
);
//转化为键值对
JavaPairRDD<String,Integer> counts=words.mapToPair(
        new PairFunction<String, String, Integer>() {
            public Tuple2<String, Integer> call(String s) throws Exception {
                return new Tuple2(s, 1);
            }
        }
);
//对每个词语进行计数
JavaPairRDD <String,Integer> results=counts.reduceByKey(
        new Function2<Integer, Integer, Integer>() {
            public Integer call(Integer v1, Integer v2) throws Exception {
                return v1 + v2;
            }
        }
) ;

4.3FlatMapFunction< T,R>

/*
 * FlatMapFunction<T,R>
 * 接收一个输入值并返回任意个输出，用于类似flatMap()这样的操作中
 * Iterable <R> call(T)
 */
List<String> strLine=new ArrayList<String>();
strLine.add("hello world");
strLine.add("This is Spark");
strLine.add("This is JavaRDD")
JavaRDD<String> input=sc.parallelize(strLine);
//将文本行的单词过滤出来，并将所有的单词保存在RDD数据集words中。
JavaRDD<String> words=input.flatMap(
        new FlatMapFunction<String, String>() {
            public Iterable<String> call(String s) throws Exception {
                return Arrays.asList(s.split(" "));
            }
        }
);

注意：

可以将我们的函数类定义为使用匿名内部类，就像上述程序实现的那样，也可以创建一个具名类，就像这样：

class ContainError implements Function<String,Boolean>{
    public Boolean call(String v1) throws Exception {
        return v1.contains("result");
    }
}
JavaRDD<String> resultLines=lines.filter(new ContainError());
for(String line :resultLines.collect())
    System.out.println(line);

具名类也可以有参数，就像上述过滤出含有”result“的表项，我们可以自定义到底含有哪个词语，就像这样，程序就更有普适性了。

5. 针对每个元素的转化操作

(1) 转化操作map()接收一个函数，把这个函数用于RDD中的每个元素，将函数的返回结果作为结果RDD中对应的元素。关键词：转化

(2) 转化操作filter()接受一个函数，并将RDD中满足该函数的元素放入新的RDD中返回。关键词：过滤

Eg.伪代码示例

//输入
inputRDD={1,2,3,4}
//map操作
x=>x*2          //输出  Mapped RDD={2,4,6,8}
//filter操作
x=>x<3          //输出  Filtered RDD={3,4}

5.1Map()

//计算RDD中各值的平方
JavaRDD<Integer> rdd =sc.parallelize(Arrays.asList(1,2,3,4));
JavaRDD<Integer> result=rdd.map(
    new Function<Integer, Integer>() {
        public Integer call(Integer v1) throwsException {
        return v1*v1;   //平方 
        }
    }
);
System.out.println(StringUtils.join(result.collect(),","));

输出： 1,4,9,16

5.2filter()

//去除RDD集合中值小于3的元素
JavaRDD<Integer> rdd =sc.parallelize(Arrays.asList(1,2,3,4));
JavaRDD<Integer> results=rdd.filter(
new Function<Integer, Boolean>() {
    public Boolean call(Integer v1) throws Exception {
        return v1<3;
        }
    }
);
System.out.println(StringUtils.join(results.collect(),","));

输出：3,4

5.3flatMap()

有时候，我们希望对每个输入元素生成多个输出元素。实现该功能的操作叫做flatMap()。和map()类似，我们提供给flatMap()的函数被分别应用到了输入的RDD的每个元素上。不过返回的不是一个元素，而是一个返回值序列的迭代器。输出的RDD倒不是由迭代器组成的。我们得到的是一个包含各个迭代器可以访问的所有元素的RDD。flatMap()的一个简单用途是将输入的字符串切分成单词，如下所示：

JavaRDD<String> rdd =sc.parallelize(Arrays.asList("hello world","This is Spark","This is Java RDD"));
JavaRDD<String> words=rdd.flatMap(
    new FlatMapFunction<String, String>() {
        public Iterable<String> call(String s) throws Exception {
            return Arrays.asList(s.split(" "));
        }
    }
);
System.out.println(StringUtils.join(words.collect(),'\n'));

输出：

hello

world

This

is

Spark

This

is

Java

RDD

6. 集合操作

Eg.对于如下两个RDD数据集

RDD1={apple,apple,orange,banana,pear}

RDD2={apple,banana,pear,watermelon}

函数	描述	示例
RDD1.distinct()	生成一个 只包含不同元素的新RDD。需要数据混洗。	{apple,orange,banana,pear}
RDD1.union(RDD2)	返回一个包含两个RDD中所有元素的RDD	{apple,apple,apple,orange,banana,banana,pear,watermelon}
RDD1.intersection(RDD2)	只返回两个RDD中都有的元素	{apple,banana}
RDD1.substr(RDD2)	返回一个只存在于第一个RDD而不存在于第二个RDD中的所有元素组成的RDD。需要数据混洗。	{orange,orange}
RDD1.cartesian(RDD2)	返回两个RDD数据集的笛卡尔积	见下

//两个RDD的笛卡尔积
JavaRDD<Integer> rdd1 = sc.parallelize(Arrays.asList(1,2));
JavaRDD<Integer> rdd2 = sc.parallelize(Arrays.asList(1,2));
JavaPairRDD<Integer ,Integer> rdd=rdd1.cartesian(rdd2);
for(Tuple2<Integer,Integer> tuple:rdd.collect())
    System.out.println(tuple._1()+"->"+tuple._2());

输出：

1->1

1->2

2->1

2->2

7. 行动操作

7.1 reduce操作

reduce()接收一个函数作为参数，这个函数要操作两个RDD的元素类型的数据并返回一个同样类型的新元素。一个简单的例子就是函数+，可以用它来对我们的RDD进行累加。使用reduce(),可以很方便地计算出RDD中所有元素的总和，元素的个数，以及其他类型的聚合操作。

Eg. 求RDD数据集所有元素和的程序示例：

JavaRDD<Integer> rdd = sc.parallelize(Arrays.asList(1,2,3,4,5,6,7,8,9,10));
Integer sum =rdd.reduce(
    new Function2<Integer, Integer, Integer>() {
        public Integercall(Integer v1, Integer v2) throws Exception {
            return v1+v2;
        }
    }
);
System.out.println(sum.intValue());

输出：55

7.2 fold()操作

接收一个与reduce()接收的函数签名相同的函数，再加上一个初始值来作为每个分区第一次调用时的结果。你所提供的初始值应当是你提供的操作的单位元素，也就是说，使用你的函数对这个初始值进行多次计算不会改变结果（例如+对应的0，*对应的1，或者拼接操作对应的空列表）。

Eg. (1) 计算RDD数据集中所有元素的和：

JavaRDD<Integer> rdd = sc.parallelize(Arrays.asList(1,2,3,4,5,6,7,8,9,10));
Integer zeroValue=0;    //求和时，初始值为0。
Integer sum =rdd.fold(zeroValue,
        new Function2<Integer, Integer, Integer>() {
            public Integer call(Integer v1, Integer v2) throws Exception {
                return v1+v2;
            }
        }
);
System.out.println(sum);

Eg. (2) 计算RDD数据集中所有元素的积。

JavaRDD<Integer> rdd = sc.parallelize(Arrays.asList(1,2,3,4,5,6,7,8,9,10));
Integer zeroValue=1；//求积时，初始值为1。
Integer result =rdd.fold(zeroValue,
        new Function2<Integer, Integer, Integer>() {
            public Integer call(Integer v1, Integer v2) throws Exception {
                return v1*v2;
            }
        }
);
System.out.println(result);

(3)aggregate()操作

aggregate()函数返回值类型不必与所操作的RDD类型相同。

与fold()类似，使用aggregate()时，需要提供我们期待返回的类型的初始值。然后通过一个函数把RDD中的元素合并起来放入累加器。考虑到每个节点是在本地进行累加的，最终，还需要提供第二个函数来将累加器两两合并。

Eg. 求出RDD对象集的平均数

import java.io.Serializable;
import java.util.Arrays;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.Function2;

/**
 * 求出RDD对象集的平均数
 */
public class AvgCount implements Serializable {
    public int total;
    public int num;

    /**
     * @param total 对象总和
     * @param num   对象个数
     */
    public AvgCount(int total, int num) {
        this.total = total;
        this.num = num;
    }

    /**
     * 求平均数
     */
    public double avg() {
        return total / (double) num;
    }

    //将RDD对象集中的元素合并起来放入AvgCount对象之中
    static Function2<AvgCount, Integer, AvgCount> addAndCount = new Function2<AvgCount, Integer, AvgCount>() {
        public AvgCount call(AvgCount a, Integer x) throws Exception {
            a.total += x;
            a.num += 1;
            return a;
        }
    };

    //提供两个AvgCount对象的合并
    static Function2<AvgCount, AvgCount, AvgCount> combine = new Function2<AvgCount, AvgCount, AvgCount>() {
        public AvgCount call(AvgCount a, AvgCount b) throws Exception {
            a.total += b.total;
            a.num += b.num;
            return a;
        }
    };

    public static void main(String args[]) {
        SparkConf conf = new SparkConf().setMaster("local").setAppName("my app");
        JavaSparkContext sc = new JavaSparkContext(conf);

        //初始化AvgCount(0,0)，表示有0个对象，对象的和为0
        AvgCount intial = new AvgCount(0, 0);
        JavaRDD<Integer> rdd = sc.parallelize(Arrays.asList(1, 2, 3, 4, 5, 6));
        //最终返回的result对象中total中储存了所有元素的和，num储存了元素的个数
        AvgCount result = rdd.aggregate(intial, addAndCount, combine);
        System.out.println(result.avg());
    }
}

8. 持久化缓存

因为Spark RDD是惰性求值的，而有时我们希望能多次使用同一个RDD。如果简单地对RDD调用行动操作，Spark每次都会重算RDD以及它的所有依赖。这在迭代算法中消耗格外大，因为迭代算法常常会多次使用同一组数据。

为了避免多次计算同一个RDD，可以让Spark对数据进行持久化。当我们让Spark持久化存储一个RDD时，计算出RDD的节点会分别保存它们所求出的分区数据。

出于不同的目的，我们可以为RDD选择不同的持久化级别。默认情况下persist()会把数据以序列化的形式缓存在JVM的堆空间中。

不同关键字对应的存储级别表

级别	使用的空间	cpu时间	是否在内存	是否在磁盘	备注
MEMORY_ONLY	高	低	是	否	直接储存在内存
MEMORY_ONLY_SER	低	高	是	否	序列化后储存在内存里
MEMORY_AND_DISK	低	中等	部分	部分	如果数据在内存中放不下，溢写在磁盘上
MEMORY_AND_DISK_SER	低	高	部分	部分	数据在内存中放不下，溢写在磁盘中。内存中存放序列化的数据。
DISK_ONLY	低	高	否	是	直接储存在硬盘里面

Eg. 将RDD数据集持久化在内存中。

JavaRDD<Integer> rdd =sc.parallelize(Arrays.asList(1,2,3,4,5));
rdd.persist(StorageLevel.MEMORY_ONLY());
System.out.println(rdd.count());
System.out.println(StringUtils.join(rdd.collect(),','));

RDD还有unpersist()方法，调用该方法可以手动把持久化的RDD从缓存中移除。

9.不同的RDD类型

Java中有两个专门的类JavaDoubleRDD和JavaPairRDD,来处理特殊类型的RDD，这两个类还针对这些类型提供了额外的函数，这让你可以更加了解所发生的一切，但是也显得有些累赘。

要构建这些特殊类型的RDD，需要使用特殊版本的类来替代一般使用的Function类。如果要从T类型的RDD创建出一个DoubleRDD，我们就应当在映射操作中使用DoubleFunction< T>来替代Function< T,Double>。

Eg. 以下是一个求RDD每个对象的平方值的程序实例，将普通的RDD对象转化为DoubleRDD对象，最后调用DoubleRDD对象的max()方法，返回生成的平方值中的最大值。

JavaRDD<Integer> rdd =sc.parallelize(Arrays.asList(1,2,3,4,5));
JavaDoubleRDD result=rdd.mapToDouble(
    new DoubleFunction<Integer>() {
        public double call(Integer integer) throws Exception {
            return (double) integer*integer;
        }
    }
);
System.out.println(result.max());