Spark编程进阶--知识点总结（书第三章）

一、spark编程api套路

 

二、配置Spark运行环境

2.1配置Spark

• 选择“Libraries”选项，单击“+”按钮，选择“Java”选项
• 在弹出的界面中找到Spark安装目录下的jars文件夹，将整个文件夹导入，如图所示
• 点击“OK”

 2.2编写Spark程序

任何Spark程序都是以SparkContext对象开始的，因为SparkContext是Spark应用程序的上下文和入口，无论是Scala、Python、R程序，都是通过SparkContext对象的实例来创建RDD，Spark Shell中的sc就是SparkContext对象的实例。因此在实际Spark应用程序的开发中，在main方法中需要创建SparkContext对象，作为Spark应用程序的入口，并在Spark程序结束时关闭SparkContext对象。

• 初始化SparkContext需要一个SparkConf对象，SparkConf包含了Spark集群配置的各种参数，属性参数是一种键值对的格式，一般可以通过set(属性名，属性设置值)的方法修改属性。其中还包含了设置程序名setAppName、设置运行模式setMaster等方法。如下图所示
• SparkContext对象的实例创建完成后，就可以通过实例变量转化集合或者读取数据，计算过程中转化操作和行动操作的使用方法与在Shell环境中一致。

 三、创建RDD

• RDD是一个容错的、只读的、可进行并行操作的数据结构，是一个分布在集群各个节点中的存放元素的集合。RDD的创建有3种不同的方法。
• 第一种是将程序中已存在的Seq集合（如集合、列表、数组）转换成RDD。
• 第二种是对已有RDD进行转换得到新的RDD，这两种方法都是通过内存中已有的集合创建RDD的。
• 第三种是直接读取外部存储系统的数据创建RDD。

3.1 parallelize()

• parallelize()方法有两个输入参数，说明如下.
• 要转化的集合，必须是Seq集合。Seq表示序列，指的是一类具有一定长度的、可迭代访问的对象，其中每个数据元素均带有一个从0开始的、固定的索引。
• 分区数。若不设分区数，则RDD的分区数默认为该程序分配到的资源的CPU核心数。

3.2 makeRDD

• makeRDD()方法有两种使用方式。
• 第一种方式的使用与parallelize()方法一致;
• 第二种方式是通过接收一个是Seq[(T,Seq[String])]参数类型创建RDD。

第二种方式生成的RDD中保存的是T的值，Seq[String]部分的数据会按照Seq[(T,Seq[String])]的顺序存放到各个分区中，一个Seq[String]对应存放至一个分区，并为数据提供位置信息，通过preferredLocations()方法可以根据位置信息查看每一个分区的值。调用makeRDD()时不可以直接指定RDD的分区个数，分区的个数与Seq[String]参数的个数是保持一致的。

 3.3 从外部储存系统中读取数据创建RDD

• 从外部存储系统中读取数据创建RDD是指直接读取存放在文件系统中的数据文件创建RDD。
• 从内存中读取数据创建RDD的方法常用于测试，从外部存储系统中读取数据创建RDD才是用于实践操作的常用方法。
• 从外部存储系统中读取数据创建RDD可以有很多种数据来源，可通过SparkContext对象的textFile()方法读取数据集，该方法支持多种类型的数据集，如目录、文本文件、压缩文件和通配符匹配的文件等，并且允许设定分区个数。
• 分别读取HDFS文件和Linux本地文件的数据并创建RDD，具体操作如下：
• 通过HDFS文件创建RDD
• 直接通过textFile()方法读取HDFS文件的位置即可。
• 通过Linux本地文件创建RDD 本地文件的读取也是通过sc.textFile("路径")的方法实现的，在路径前面加上“file://”表示从Linux本地文件系统读取。在IntelliJ IDEA开发环境中可以直接读取本地文件；但在spark-shell中，要求在所有节点的相同位置保存该文件才可以读取它。

 

 四、方法

4.1 使用map()方法转换数据

• map()方法是一种基础的RDD转换操作，可以对RDD中的每一个数据元素通过某种函数进行转换并返回新的RDD。
• map()方法是转换操作，不会立即进行计算。
• 转换操作是创建RDD的第二种方法，通过转换已有RDD生成新的RDD。因为RDD是一个不可变的集合，所以如果对RDD数据进行了某种转换，那么会生成一个新的RDD。

4.2 使用sorBy()方法进行排序

• sortBy()方法用于对标准RDD进行排序，有3个可输入参数，说明如下。
• 第1个参数是一个函数f:(T) => K，左边是要被排序对象中的每一个元素，右边返回的值是元素中要进行排序的值。
• 第2个参数是ascending，决定排序后RDD中的元素是升序的还是降序的，默认是true，即升序排序，如果需要降序排序那么需要将参数的值设置为false。
• 第3个参数是numPartitions，决定排序后的RDD的分区个数，默认排序后的分区个数和排序之前的分区个数相等，即this.partitions.size。 

第一个参数是必须输入的，而后面的两个参数可以不输入。

4.3 使用collect()方法查询数据

• collect()方法是一种行动操作，可以将RDD中所有元素转换成数组并返回到Driver端，适用于返回处理后的少量数据。
• 因为需要从集群各个节点收集数据到本地，经过网络传输，并且加载到Driver内存中，所以如果数据量比较大，会给网络传输造成很大的压力。 因此，数据量较大时，尽量不使用collect()方法，否则可能导致Driver端出现内存溢出问题。
• collect()方法有以下两种操作方式。 collect：直接调用collect返回该RDD中的所有元素，返回类型是一个Array[T]数组。

• collect[U: ClassTag](f: PartialFunction[T, U])：RDD[U]。这种方式需要提供一个标准的偏函数，将元素保存至一个RDD中。首先定义一个函数one，用于将collect方法得到的数组中数值为1的值替换为“one”，将其他值替换为“other”。

 4.4使用flatMap()方法转换数据

• flatMap()方法将函数参数应用于RDD之中的每一个元素，将返回的迭代器（如数组、列表等）中的所有元素构成新的RDD。
• 使用flatMap()方法时先进行map（映射）再进行flat（扁平化）操作，数据会先经过跟map一样的操作，为每一条输入返回一个迭代器（可迭代的数据类型），然后将所得到的不同级别的迭代器中的元素全部当成同级别的元素，返回一个元素级别全部相同的RDD。 这个转换操作
• 通常用来切分单词。

 

 4.5使用take()方法查询某几个值

• take(N)方法用于获取RDD的前N个元素，返回数据为数组。
• take()与collect()方法的原理相似，collect()方法用于获取全部数据，take()方法获取指定个数的数据。 获取RDD的前5个元素。

 4.6使用union()方法合并多个RDD

• union()方法是一种转换操作，用于将两个RDD合并成一个，不进行去重操作，而且两个RDD中每个元素中的值的个数、数据类型需要保持一致。
• 使用union()方法合并两个RDD

 4.7使用filter()方法进行过滤

• filter()方法是一种转换操作，用于过滤RDD中的元素。
• filter()方法需要一个参数，这个参数是一个用于过滤的函数，该函数的返回值为Boolean类型。
• filter()方法将返回值为true的元素保留，将返回值为false的元素过滤掉，最后返回一个存储符合过滤条件的所有元素的新RDD。
• 创建一个RDD，并且过滤掉每个元组第二个值小于等于1的元素。

 4.8使用distincture()方法进行去重

• distinct()方法是一种转换操作，用于RDD的数据去重，去除两个完全相同的元素，没有参数。
• 创建一个带有重复数据的RDD，并使用distinct()方法去重。

 五、使用简单的集合操作

5.1 Spark中的集合操作常用方法（转换操作）

 5.2 intersection()方法

• intersection()方法用于求出两个RDD的共同元素，即找出两个RDD的交集，参数是另一个RDD，先后顺序与结果无关。
• 创建两个RDD，其中有相同的元素，通过intersection()方法求出两个RDD的交集。

 5.3 subtract()方法

• subtract()方法用于将前一个RDD中在后一个RDD出现的元素删除，可以认为是求补集的操作，返回值为前一个RDD去除与后一个RDD相同元素后的剩余值所组成的新的RDD。两个RDD的顺序会影响结果。
• 创建两个RDD，分别为rdd1和rdd2，包含相同元素和不同元素，通过subtract()方法求rdd1和rdd2彼此的补集。

 5.4 cartesian()方法

• cartesian()方法可将两个集合的元素两两组合成一组，即求笛卡儿积。
• 创建两个RDD，分别有4个元素，通过cartesian()方法求两个RDD的笛卡儿积。

 六、了解键值对RDD

• Spark的大部分RDD操作都支持所有种类的单值RDD，但是有少部分特殊的操作只能作用于键值对类型的RDD。
• 顾名思义，键值对RDD由一组组的键值对组成，这些RDD被称为PairRDD。PairRDD提供了并行操作各个键或跨节点重新进行数据分组的操作接口。
• 例如，PairRDD提供了reduceByKey()方法，可以分别规约每个键对应的数据，还有join()方法，可以把两个RDD中键相同的元素组合在一起，合并为一个RDD。

6.1 创建键值对RDD

• 有很多种创建键值对RDD的方式，很多存储键值对的数据格式会在读取时直接返回由其键值对组成的PairRDD。
• 当需要将一个普通的RDD转化为一个PairRDD时可以使用map函数来进行操作，传递的函数需要返回键值对。

 

6.2 使用键值对RDD的Keys和values方法

• 键值对RDD，包含键和值两个部分。
• Spark提供了两种方法，分别获取键值对RDD的键和值。
• keys方法返回一个仅包含键的RDD。
• values方法返回一个仅包含值的RDD。

 6.3使用键值对RDD的reduceByKey()方法

• 当数据集以键值对形式展现时，合并统计键相同的值是很常用的操作。
• reduceByKey()方法用于合并具有相同键的值，作用对象是键值对，并且只对每个键的值进行处理，当RDD中有多个键相同的键值对时，则会对每个键对应的值进行处理。
• reduceByKey()方法需要接收一个输入函数，键值对RDD相同键的值会根据函数进行合并并且创建一个新的RDD作为返回结果。
• 在进行处理时，reduceByKey()方法将相同键的前两个值传给输入函数，产生一个新的返回值，新产生的返回值与RDD中相同键的下一个值组成两个元素，再传给输入函数，直到最后每个键只有一个对应的值为止。reduceByKey()方法不是一种行动操作，而是一种转换操作。

 6.4 使用键值对RDD的groupByKey()方法

• groupByKey()方法用于对具有相同键的值进行分组，可以对同一组的数据进行计数、求和等操作。
• 对于一个由类型K的键和类型V的值组成的RDD，通过groupByKey()方法得到的RDD类型是[K,Iterable[V]]。

 6.5 使用join()方法连接两个RDD

• 将有键的一组数据与另一组有键的数据根据键进行连接，是对键值对数据常用的操作之一。
• 与合并不同，连接会对键相同的值进行合并，连接方式多种多样，包含内连接、右外连接、左外连接、全外连接，不同的连接方式需要使用不同的连接方法。
• 连接方法如下表：

 6.6 使用join()方法连接两个RDD

（1）join()方法

• join()方法用于根据键对两个RDD进行内连接，将两个RDD中键相同的数据的值存放在一个元组中，最后只返回两个RDD中都存在的键的连接结果。
• 例如，在两个RDD中分别有键值对(K,V)和(K,W)，通过join()方法连接会返回(K,(V,W))。 创建两个RDD，含有相同键和不同的键，通过join()方法进行内连接。

（2）rightOuterJoin()方法

• rightOuterJoin()方法用于根据键对两个RDD进行右外连接，连接结果是右边RDD的所有键的连接结果，不管这些键在左边RDD中是否存在。
• 在rightOuterJoin()方法中，如果在左边RDD中有对应的键，那么连接结果中值显示为Some类型值；如果没有，那么显示为None值。

 （3）leftOuterJoin()方法

• leftOuterJoin()方法用于根据键对两个RDD进行左外连接，与rightOuterJoin()方法相反，返回结果保留左边RDD的所有键。

 （4）fullOuterJoin()方法

• fullOuterJoin()方法用于对两个RDD进行全外连接，保留两个RDD中所有键的连接结果。

 6.7 使用zip()方法组合两个RDD

• zip()方法用于将两个RDD组合成键值对RDD，要求两个RDD的分区数量以及元素数量相同，否则会抛出异常。
• 将两个RDD组合成Key/Value形式的RDD，这里要求两个RDD的partition数量以及元素数量都相同，否则会抛出异常。

 6.8 使用combineByKey()方法合并相同键的值

• combineByKey()方法是Spark中一个比较核心的高级方法，键值对的其他一些高级方法底层均是使用combineByKey()方法实现的，如groupByKey()方法、reduceByKey()方法等。
• combineByKey()方法用于将键相同的数据聚合，并且允许返回类型与输入数据的类型不同的返回值。
• combineByKey()方法的使用方式如下：

combineByKey(createCombiner,mergeValue,mergeCombiners,numPartitions=None)

6.9 使用combineByKey()方法合并相同键的值

• combineByKey()方法接收3个重要的参数，具体说明如下.
• createCombiner:V=>C，V是键值对RDD中的值部分，将该值转换为另一种类型的值C，C会作为每一个键的累加器的初始值。
• mergeValue:(C,V)=>C，该函数将元素V聚合到之前的元素C(createCombiner)上（这个操作在每个分区内进行）。
• mergeCombiners:(C,C)=>C，该函数将两个元素C进行合并（这个操作在不同分区间进行)。

7 使用combineByKey()方法合并相同键的值

• 由于合并操作会遍历分区中所有的元素，因此每个元素（这里指的是键值对）的键只有两种情况：以前没出现过或以前出现过。对于这两种情况，3个参数的执行情况描述如下。
• 如果以前没出现过，则执行的是createCombiner()方法，createCombiner()方法会在新遇到的键对应的累加器中赋予初始值，否则执行mergeValue()方法。
• 对于已经出现过的键，调用mergeValue()方法进行合并操作，对该键的累加器对应的当前值（C）与新值（V）进行合并。
• 由于每个分区都是独立处理的，因此对于同一个键可以有多个累加器。如果有两个或更多的分区都有对应同一个键的累加器，就需要使用用户提供的mergeCombiners()方法对各个分区的结果（全是C）进行合并。

7.1 使用lookup()方法查找指定键的值

• lookup(key:K)方法作用于键值对RDD，返回指定键的所有值。

 七、读取与存储JSON文件

7.1 Spark支持的一些常见文件格式。

7.2

（1）JSON文件的读取

 （2）JSON文件的存储

 7.3 读取与存储CSV文件

（1）CSV文件的读取

 

（2）CSV文件的存储

 7.4 读取与存储SequenceFile文件

（1）SequenceFile文件的存储

 

（2）SequenceFile文件的读取 

 八、读取与存储文本文件

8.1 

（1）文本文件的读取

通过textFile()方法即可直接读取，一条记录（一行）作为一个元素.

(2）文本文件的存储

RDD数据可以直接调用saveAsTextFile()方法将数据存储为文本文件。