目录
RDD算子介绍
Spark算子大致可以分为两类:
- Transformation 变换/转换算子:这种变换并不触发提交作业,完成作业中间过程处理。
- Action 行动算子:这类算子会触发 SparkContext 提交 Job 作业。
Transformation 操作是延迟计算的,也就是说从一个RDD 转换生成另一个 RDD 的转换操作不是马上执行,需要等到有 Action 操作的时候才会真正触发运算。而Action 算子会触发 Spark 提交作业(Job),并将数据输出 Spark系统。
RDD转换算子
RDD根据数据处理方式的不同将算子整体上分为Value类型、双Value类型和Key-Value类型。
Value类型
1)map
函数签名
def map[U:ClassTag](f:T=>U):RDD[U]
将处理的数据逐条进行映射转换,这里的转换可以是类型的转换,也可以是值的转换。
val sparkConf = new SparkConf().setAppName().setMaster("local[*]")
val sc = new SparkContext(sparkConf)
val rdd = sc.makeRDD(List(1,2,3,4))
def mapFunction(number : Int): Int = {
number * 2
}
val mapRDD:RDD[Int] = rdd.map(mapFunction)
val mapRDD1:RDD[Int] = rdd.map(_*2)
sc.stop()
注意:
1、rdd的计算一个分区内的数据是一个一个执行逻辑,只有前面一个数据全部执行完毕后,才会执行下一个数据。分区内数据的执行是有序的。
2、不同分区数据计算是无序的。
小功能:可以从服务器日志数据apache.log中获取用户请求URL资源路径。
2)mapPartitions
函数签名
def mapPartitons[U:ClassTag](
f:Iterator[T]=>Iterator[U],
preservesPartitioning: Boolean = false): RDD[U]
将待处理的数据以分区为单位发送到计算节点进行处理,这里的处理是指可以进行任意的处理,哪怕是过滤数据。
mapPartitions:可以以分区为单位进行数据转换操作,但是会将整个分区的数据加载到内存进行引用。如果处理完的数据是不会被释放掉,因为存在对象的引用。在内存较小,数据量较大的场景下,容易出现内存溢出现象。
map和mapPartition的区别:
1、数据处理角度:
Map算子是分区内一个数据一个数据的执行,类似于串行操作。而mapPartitions算子是以分区为单位进行批处理操作。
2、功能的角度:
Map算子主要目的将数据源中的数据进行转换和改变。但是不会减少或增多数据。MapPartitions算子需要传递一个迭代器,返回一个迭代器,没有要求的元素的个数保持不变,所以可以增加或减少数据。
3、性能的角度:
Map算子因为类似于串行操作,所以性能比较低,而是mapPartitions算子类似于批处理,所以性能较高。但是mapPartitions算子会长时间占用内存,那么这样会导致内存可能不够用,出现内存溢出的错误。所以在内存有限的情况下,不推荐使用。推荐使用map操作。
完成比完美更重要。
3)mapPartitionsWithIndex
函数签名
def mapPartitionsWithIndex[U:ClassTag] (
f:(Int, Iterator[T])=>Iterator[U],
preservesPartitioning:Boolean=false):RDD[U]
函数说明
将待处理的数据以分区为单位发送到计算节点进行处理,这里的处理是指可以进行任意的处理,哪怕是过滤数据,在处理时同时可以获取当前分区索引。
4) flatMap
函数签名
def flatMap[U:ClassTag](f:T=>TraversableOnce[U]):RDD[U]
函数说明
将处理的数据进行扁平化后在进行映射处理,所以算子也称之为扁平映射
5)glom
函数签名
def glom(): RDD[Array[T]]
函数说明
将同一个分区的数据直接转换为相同类型的内存数组进行处理,分区不变。
6)groupBy
函数签名
def groupBy[K](f:T=>K)(implicit kt:ClassTag[K]):RDD[(K, Iterable[T])]
函数说明
将数据根据指定的规则进行分组,分区默认不变,但是数据会被打乱重新组合,我们将这样的操作称之为shuffle。极限情况下,数据可能被分在同一个分区中。
一个组的数据在一个分区中,但是并不是说一个分区中只有一个组。即分组和分区没有必然的关系。
7)filter
函数签名
def filter(f:T=>Boolean):RDD[T]
函数说明
将数据根据指定的规则进行筛选过滤,符合规则的数据保留,不符合规则的数据丢弃。当数据进行筛选过滤后,分区不变,但是分区内的数据可能不均衡,生产环境下,可能会出现数据倾斜。
8)sample
函数签名
def sample(
withReplacement:Boolean,
fraction:Double,
seed:Long=Utils.random.nextLong):RDD[T]
函数说明
根据指定的规则从数据集中抽取数据。sample算子需要传递三个参数。
第一个参数表示,抽取数据后是否将数据放回 true放回(泊松算法),false不放回(伯努利算法);
第二个参数表示,
如果是不放回场景,表示数据源中每条数据被抽取的概率,基准值的概念;
如果是放回场景,表示数据源中每条数据被抽取的可能次数。
第三个参数表示,抽取数据时随机算法的种子,如果不传递第三个参数,则使用当前系统时间为随机算法的种子。
9)distinct
函数签名
def distinct()(implicit ord:Ordering[T] = null):RDD[T]
def distinct(numPartitions:Int)(implicit ord: Ordering[T]=null):RDD[T]
函数说明
将数据集中的重复数据去重,底层采用的是
来进行去重的。
10)coalesce
函数签名
def coalesce(numPartitions:Int, shuffle:Boolean=false
partitionCoalescer:Option[PartitionCoalescer]=Option.empty)
(implicit ord:Ordering[T]=null)
:RDD[T]
函数说明
根据数据量缩减分区,用于大数据集过滤后,提高小数据集的执行效率。当spark程序中,存在过多的小任务的时候,可以通过coalesce方法,收缩合并分区,减少分区的个数,减小任务调度成本。
coalesce方法默认情况下不会将分区的数据打乱重新组合,所以这种情况下的缩减分区可能会导致数据不均衡,出现数据倾斜。如果想要让数据均衡,则可以进行shuffle处理,即第二个参数传入为true。
coalesce算子可以扩大分区的数量,但是必须要进行shuffle操作,否则不起作用。不过一般扩大分区使用的是repartition函数,这个函数底层就是coalesce函数,只不过固定了shuffle为true。
11)sortBy
函数签名
def sortBy[K](
f: (T) => K,
ascending: Boolean = true,
numPartitions: Int = this.partitions.size)
(implicit ord: Ordering[K], ctag: ClassTag[K]): RDD[T] =
this.keyBy[K](f)
.sortByKey(ascending, numPartitions)
.values
函数说明
sortBy方法可以根据指定的规则对数据源中的数据进行排序,默认为升序,第二个参数可以改为降序(false),sortBy默认情况下,不会改变分区,但是中间存在着shuffle的操作。
双value类型
12)intersection、union、subtract
函数签名
def intersection(other:RDD[T]):RDD[T]
def union(other:RDD[T]):RDD[T]
def subtract(other:RDD[T]):RDD[T]
函数说明
对源RDD和参数RDD求交集、并集、差集后返回一个新的RDD。并且,要求两个数据源的数据类型需要保持一致。
13)zip
函数签名
函数说明
将两个数据源数据一一匹配在一起,两个数据源可以不同类型,但是要求分区数量一致以及分区元素的数量相同。
Key-Value类型
14)partitionBy
函数签名
def partitionBy(partitioner:Partitioner):RDD[(K,V)]
函数说明
将数据按照指定Partitioner重新进行分区。其中,调用的并不是RDD的类,而是其他类(pairRDDFunctions)。
使用了Scala当中的隐式转换(可以理解为二次编译),Spark默认的分区器是HashPartitioner,底层源码是
若重分区的分区器和当前的RDD的分区器一样,那么将不会做任何处理,底层源码进行了特殊的判断。并且Spark还有其他的分区器,例如HashPartitioner、RangerPartitioner、PythonPartitioner(这个是特定的包内才可以运行),也可以自定义分区的规则。
15)reduceByKey
函数签名
def reduceByKey(func:(V,V)=>V):RDD[(K,V)]
def reduceByKey(func:(V,V)=>V, numPartitions:Int):RDD[(K,V)]
函数说明
可以将数据按照相同的Key对Value进行聚合。reduceByKey相同的Key的数据进行Value数据的聚合操作,基于两两聚合。如果key的数据只有一个,那么,是不会参与运算的。
16)groupByKey
函数签名
def groupByKey():RDD[(K,Iterable[V])]
def groupByKey(numPartitions:Int):RDD[(K,Iterable[V])]
def groupByKey(partitioner:Partitioner):RDD[(K,Iterable[V])]
函数说明
将分区的数据直接转换为相同类型的内存数组进行后续处理。将数据源中的数据,相同key的数据分在一个组中,形成一个对偶元组。元组中的第一个元素就是key,元组中的第二个元素就是相同key的value的集合。
grouByKey函数与groupBy函数的区别:1、groupBy不确定是以哪一个维度进行分组的,而groupByKey固定是以Key来进行分组的;2、value的表达形式是不同的,groupByKey直接是value的集合,而groupByKey则是一个元组的集合形式,如图所示。
groupByKey函数与reduceByKey函数的区别: 首先,spark中,shuffle操作必须要求落盘处理,不能在内存中数据等待,会导致内存溢出。shuffle操作性能非常低。
其次,reduceByKey支持分区内预聚合功能,可以有效减少shuffle时落盘的数据量,提升shuffle的性能。
总结:
1、从shuffle的角度:reduceByKey和groupByKey都存在shuffle的操作,但是reduceByKey可以在shuffle前对分区内相同key的数据进行预聚合(combine)功能,这样会减少落盘的数据量,而groupByKey只是进行分组,不存在数据量减少问题,reduceByKey性能更高。
2、从功能的角度:reduceByKey其实包含分组和聚合的功能。groupByKey只能分组,不能聚合,所以需要视情况而定,具体使用哪个函数。
17) aggregateByKey
函数签名
def aggregateByKey[U:ClassTag](zeroValue:U)(seqOp:(U,V)=>U,combOp:(U,U)=>U):RDD[(K,U)]
函数说明
将数据根据不同的规则进行分区内计算和分区间计算,最终返回的数据结果应该和初始值的类型保持一致。
aggregateByKey存在函数柯里化(柯里化(Currying)是把接受多个参数的函数变换成接受一个单一参数(最初函数的第一个参数)的函数,并且返回接受余下的参数且返回结果的新函数的技术。),有两个参数列表
第一个参数列表,需要传递一个参数,表示为初始值
主要用于当碰见第一个key的时候,和value进行分区内计算
第二个参数列表需要传递两个参数
第一个参数表示分区内计算规则
第二个参数表示分区间计算规则
当分区内与分区间的计算相同时,可以使用简化版本,foldByKey函数来实现功能。
18) combineByKey
函数签名
def combineByKey[C](
createCombiner: V => C,
mergeValue: (C, V) => C,
mergeCombiners: (C, C) => C
)
函数说明
combineByKey方法需要三个参数。
第一个参数表示:将相同的key的第一个数据进行结构转换,实现操作
第二个参数表示:分区内的计算规则
第三个参数表示:分区间的计算规则
聚合函数小结:
这四种函数调用的底层函数都是一样的,只不过是参数的不同。
19)join
函数签名
def join[W](other:RDD[(K,W)]:RDD[(K,(V,W))]
函数说明
在类型为(K,V)和(K,W)的RDD上调用,返回一个相同key对应的所有元素连接在一起的(K,(V,W))的RDD。
如果两个数据源中的key没有匹配上,那么数据不会出现在结果中。
如果两个数据源中key有多个相同的,会依次匹配,可能会出现笛卡尔积,数据量会几何性增长,会导致性能降低。
还有leftOuterJoin、rightOuterJoin函数与SQL类似,这里就不多介绍了。
20)cogroup
函数签名
/**
* For each key k in `this` or `other`, return a resulting RDD that contains a tuple with the
* list of values for that key in `this` as well as `other`.
*/
def cogroup[W](other: JavaPairRDD[K, W], partitioner: Partitioner)
: JavaPairRDD[K, (JIterable[V], JIterable[W])] =
fromRDD(cogroupResultToJava(rdd.cogroup(other, partitioner)))
函数说明
可以理解为分组+连接的操作。
(PS:这么多算子,感觉需要多用才能记得牢)
参考
https://www.bilibili.com/video/BV11A411L7CK?p=78&spm_id_from=pageDriver