RDD(Resilient Distributed Dataset)叫做弹性分布式数据集,是Spark中最基本的数据抽象,它代表一个不可变、可分区、里面的元素可并行计算的集合。RDD具有数据流模型的特点:自动容错、位置感知性调度和可伸缩性。
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。
从内存中读取数据创建RDD
从内存中读取数据创建RDD有两种常用的方法,第一种是将内存中已有的Seq集合转化为RDD,第二种是把已有RDD转化成新的RDD。
RDD方法中的flatMap,take,union三种方法。
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。
take(N)方法用于获取RDD的前N个元素,返回数据为数组。
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。
filter,distinct,intersection三种方法
filter()方法是一种转换操作,用于过滤RDD中的元素。
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。
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。
cartesian()
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。
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.Row
import org.apache.spark.{SparkConf, SparkContext}
object test04 {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setMaster("local").setAppName("Y")
val sc = new SparkContext(conf)
val rdd01 = sc.makeRDD(List(1,3,5,3))
val rdd02 = sc.makeRDD(List(2,4,5,1))
rdd01.cartesian(rdd02).collect().foreach(println)
}
}
创建键值对RDD
键值对RDD有多种创建方式。很多键值对类型的数据在读取时可以直接返回一个键值对RDD。当需要将一个普通的RDD转化为一个键值对RDD时,可以使用map()方法进行操作。
reduceByKey()、groupByKey()
reduceByKey()方法用于合并具有相同键的值,作用对象是键值对,并且只对键的值进行处理。
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。
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.Row
import org.apache.spark.{SparkConf, SparkContext}
object test05{
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setMaster("local").setAppName("Y")
val sc = new SparkContext(conf)
// 创建RDD
val rdd = sc.parallelize(List("this is a test","how are you","I am fine","can you tell me"))
// 建立键值对RDD
val words = rdd.map(x => (x.split(" ")(0),x))
// 查看键值对RDD数据
words.collect().foreach(println)
// 创建RDD
val rdd_1 = sc.parallelize(List(('a',1),('a',2),('b',1),('c',1),('c',1)))
// 使用reduceByKey()方法将值相加
val re_rdd_1 = rdd_1.reduceByKey((a,b) => a+b)
// 查看结果
re_rdd_1.collect().foreach(println)
// 使用groupByKey()方法对具有相同键的值进行分组
val g_rdd = rdd_1.groupByKey()
// 查看分组结果
g_rdd.collect
// 使用map()方法查看分组后每个分组中的值的数量
g_rdd.map(x => (x._1,x._2.size)).collect().foreach(println)
}
}