Spark RDD基本理论和常用算子
一、Spark RDD概述
1、RDD概念
- 简单的解释
- RDD是将数据项拆分为多个分区的集合,存储在集群的工作节点上的内存中,并执行正确的操作
- 复杂的解释
- RDD是用于数据转换的接口
- RDD指向了存储在HDFS、Cassandra、HBase等、或缓存(内存、内存+磁盘、仅磁盘等),或在故障或缓存收回时重新计算其他RDD分区中的数据
- RDD是弹性分布式数据集(Resilient Distributed Datasets)
- 分布式数据集
- RDD是只读的、分区记录的集合,每个分区分布在集群的不同节点上
- RDD并不存储真正的数据,只是对数据和操作的描述
- 弹性
- RDD默认存放在内存中,当内存不足,Spark自动将RDD写入磁盘
- 容错性
- 根据数据血统,可以自动从节点失败中恢复分区
- 分布式数据集
2、RDD和DAG
- 两者是Spark提供的核心抽象
- DAG(有向无环图)反映了RDD之间的依赖关系
3、RDD的特性和流程
- 特性
- 一系列的分区(分片)信息,每个任务处理一个分区
- 每个分区上都有compute函数,计算该分区中的数据
- RDD之间有一系列的依赖
- 分区函数决定数据(key-value)分配至哪个分区
- 最佳位置列表,将计算任务分派到其所在处理数据块的存储位置
- 流程如下图
4、RDD分区
- 分区是RDD被拆分并发送到节点的不同块之一
- 我们拥有的分区越多,得到的并行性就越强
- 每个分区都是被分发到不同Worker Node的候选者
- 每个分区对应一个Task
二、RDD的创建
1、使用集合创建RDD
演示案例:
val conf: SparkConf = new SparkConf().setMaster("local[2]").setAppName("wordcount")
val sc: SparkContext = SparkContext.getOrCreate(conf)
//parallelize和makeRDD基本无区别
val rdd1: RDD[String] = sc.parallelize(List("hello world","hello java","hello scala"),3)
val rdd1: RDD[String] = sc.makeRDD(List("hello world","hello java","hello scala"),3)
- 1、Spark默认会根据集群的情况来设置分区的数量,也可以通过parallelize()第二参数来指定
- 2、Spark会为每一个分区运行一个任务进行处理
2、通过加载文件产生RDD
演示案例:
//相对路径
val lines: RDD[String] = sc.textFile("in/word.txt")
//绝对路径
val lines2: RDD[String] = sc.textFile("E:\\Ideal\\sparkdemo1\\in\\word.txt")
lines2.collect.foreach(println)
//hdfs路径
val linesHDFS: RDD[String] = sc.textFile("hdfs://hadoop100:9000/kb09workspace/*.txt")
linesHDFS.collect.foreach(println)
- 加载“file://……”时,以local运行仅需一份本地文件,以Spark集群方式运行,应保证每个节点均有该文件的本地副本
- 支持目录、压缩文件以及通配符
- 1、Spark默认访问HDFS
- 2、Spark默认为HDFS文件的每一个数据块创建一个分区,也可以通过textFile()第二个参数指定,但只能比数据块数量多
三、RDD常用算子
1、转换算子
a) 基本概论
- Transformation(lazy):也称转换操作、转换算子
- 对于转换操作,RDD的所有转换都不会直接计算结果
- 仅记录作用于RDD上的操作
- 当遇到动作算子(Action)时才会进行真正计算
b) 常用的转换算子
val conf = new SparkConf().setMaster("local[*]").setAppName("mapdemo")
val sc = SparkContext.getOrCreate(conf)
map
- 对RDD中的每个元素都执行一个指定的函数来产生一个新的RDD
- 任何原RDD中的元素在新RDD中都有且只有一个元素与之对应
- 输入分区与输出分区一一对应
println("-----------map---------------")
val strRdd1 = sc.parallelize(List("4AM","OMG","IFTY","TIANBA","RNG","FAZE"),2)
strRdd1.map(x=>(x,1)).collect.foreach(println)
filter
- 对元素进行过滤,对每个元素应用指定函数,返回值为true的元素保留在新的RDD中
println("----------filter--------------")
val filterRdd1 = sc.makeRDD(List(1,2,3,4,5,6,7,8,9))
filterRdd1.filter(_%2==0).collect.foreach(println)
mapValues
- 原RDD中的Key保持不变,与新的Value一起组成新的RDD中的元素,仅适用于PairRDD
println("-----------mapValues------------")
val mapValuesRdd1 = sc.parallelize(List("tiger","dog","lion","cat","panther","eagle"))
val mapValuesRdd2 = mapValuesRdd1.map(x=>(x.length,x))
mapValuesRdd2.collect.foreach(println)
mapValuesRdd2.mapValues(x=>("x"+x+"x")).collect().foreach(println)
//输出结果:
//Array((3,dog), (5,tiger), (4,lion), (3,cat), (7,panther), (5,eagle))
//Array((3,xdogx), (5,xtigerx), (4,xlionx), (3,xcatx), (7,xpantherx), (5,xeaglex))
更多常用转化算子
- distinct
println("-----------distinct------------")
val distinctRdd1 = sc.parallelize(List("aa","bb","aa","bb","cc","dd"))
val distinctRdd2 = distinctRdd.distinct()
distinctRdd2.collect.foreach(println)
//输出结果
//Array("aa","bb","cc","dd")
- reduceByKey
println("---------reduceByKey-----------")
val reduceByKeyRdd1 = mapValuesRdd2.reduceByKey((a,b)=>a+"-"+b)
reduceByKeyRdd1.collect().foreach(println)
- groupByKey
println("---------groupByKey-----------")
val groupByKeyRdd = mapValuesRdd2.groupByKey()
groupByKeyRdd.collect.foreach(println)
- sortByKey
println("---------sortByKey-----------") //默认升序
val sortByKeyRdd1 = mapValuesRdd2.sortByKey()
sortByKeyRdd1.collect().foreach(println)
println("---------sortByKey false-----------") //false降序
val sortByKeyRdd2 = mapValuesRdd2.sortByKey(false)
sortByKeyRdd2.collect().foreach(println)
- union ++
println("---------union-----------")
val unionRdd1 = sc.parallelize(List(1,2,3))
val unionRdd2 = sc.parallelize(List(1,2,3,4))
val unionRdd3 = unionRdd1.union(unionRdd2)
print(unionRdd3.collect.mkString(","))
println()
println("---------++-----------")
val jiajiaRdd1 = unionRdd1 ++ unionRdd2
print(jiajiaRdd1.collect.mkString(","))
println()
- join
println("---------join-----------")
val joinRdd1 = sc.parallelize(List("abe","abby","apple")).map(x=>(x,1))
val joinRdd2 = sc.parallelize(List("apple","beatty","beatrice")).map(x=>(x,1))
val joinRdd3 = joinRdd1.join(joinRdd2)
print(joinRdd3.collect.mkString(","))
println()
val leftJoinRdd = joinRdd1.leftOuterJoin(joinRdd2)
print(leftJoinRdd.collect.mkString(","))
println()
val rightJoinRdd = joinRdd1.rightOuterJoin(joinRdd2)
print(rightJoinRdd.collect.mkString(","))
println()
2、动作算子
a) 基本概论
- 本质上动作算子通过SparkContext执行提交作业操作,触发RDD DAG(有向无环图)的执行
- 所有的动作算子都是急迫型(non-lazy),RDD遇到Action就会立即计算
b) 常用动作算子
- count
- 返回的是数据集中的元素的个数
println("--------count----------")
val rdd=sc.parallelize(List(1,2,3,4,5,6))
val countRdd: Long = rdd.count
println(countRdd)
//输出结果:6
- collect
- 以Array返回RDD的所有元素。一般在过滤或者处理足够小的结果的时候使用
- 应注意到,前面所有转换操作都结合了collect动作算子进行计算输出
println("--------collect---------")
val rdd=sc.parallelize(List(1,2,3,4,5,6))
val collectRdd: Array[Int] = rdd.collect()
println(collectRdd.mkString(","))
//输出结果:1,2,3,4,5,6
- take
- 返回前n个元素
println("--------take---------")
val rdd=sc.parallelize(List(1,2,3,4,5,6))
val takeRdd: Array[Int] = rdd.take(3)
println(takeRdd.mkString(","))
//输出结果:1,2,3
- first
- 返回RDD第一个元素
println("-----first-----")
val rdd=sc.parallelize(List(1,2,3,4,5,6))
val firstRdd: Int = rdd.first()
println(firstRdd)
//输出结果:1
- reduce
- 根据指定函数,对RDD中的元素进行两两计算,返回计算结果
println("-----reduce-----")
val rdd1 = sc.parallelize(1 to 100)
val sum: Int = rdd1.reduce((x, y)=>{println(x,y);x+y})
println("总和:"+sum)
- lookup
- 用于PairRDD,返回K对应的所有V值
println("-----lookup-----")
val rdd2=sc.parallelize(List(('a',1), ('a',2), ('b',3), ('c',4)))
val lookupRdd: Seq[Int] = rdd2.lookup('a')
println(lookupRdd)
//输出结果:WrappedArray(1, 2)
- saveAsTextFile
- 保存RDD数据至文件系统
rdd1.saveAsTextFile("in/rdd2.txt")
rdd1.saveAsTextFile("hdfs://hadoop100:9000/kb09workspace/rdddemodata/rdd1.txt")