Spark 期末复习--RDD总结（包含经典练习题）

大家好！我是文艺工科女茶哩，本文篇幅比较长，避免迷路，建议收藏再“食用”。

---

---

什么是RDD？

spark处理数据时，会将一整块数据分割成多个分块数据块，这些分块数据块组成的集合，称为RDD（Resilient Distributed Datasets）。

RDD是一种可扩展的弹性分布式数据集，是Spark最基本的数据抽象，表示一个只读、且分区不变的数据集合，是一种分布式的内存抽象，不具备schema的数据结构，可以基于任何数据结构创建。

RDD在代码中是一个抽象类，本质上是一组分布式JVM不可变对象集合
弹性分布式数据集（RDD，Resilient Distributed Datasets），它具备像MapReduce等数据流模型的容错特性，并且允许开发人员在大型集群上执行基于内存的计算。

RDD是只读的、分区记录的集合。RDD只能基于在稳定物理存储中的数据集和其他已有的RDD上执行确定性操作来创建。

RDD有什么特点？

1. 分片/区
2. 自定义计算分区函数
3. 控制分区数量
4. RDD之间相互依赖
5. 利用列表进行存储RDD

RDD有什么操作？

transformatons（转换）
transformations操作会在一个已存在的RDD上传创建一个新的RDD，但实际的计算并没有执行，仅仅是记录操作，所有的计算会发生在actions环节。
actions（动作）
actions动作将执行所有的记录的transformations操作并计算结果，将结果返回到driver程序中，或保存在相关存储系统中。

transform算子
所有的transform都是懒加载的，所谓的懒加载就是在转换时不会立刻计算出结果，只记录数据集的转换过程。当程序驱动要返回结果时，才会开始计算。采用这种策略，使得Spark的运行更加高效。
都有哪些转换动作？
map：类似于python中的map函数，该方法作用于RDD的每个分区的每个元素上

rdd = sc.parallelize(['a','b','c'])
rdd.map(lambda x:(x,1)).collect()

#输出：[('a',1),('b',1),('c',1)]

flatMap：首先应用map函数作用于RDD元素上，然后将结果平坦化，最后返回新的RDD

rdd = sc.parallelize([2,3,4])
result = rdd.flatMap(lambda x:range(1,x))
print(result.collect())

#输出：[1,1,1,2,1,2,3]

filter：筛选出满足条件的元素，以列表形式返回

rdd = sc.parallelize(['abcx','abnn','dfg'])
rdd.filter(lambda x :'ab' in x).collect()

#输出：['abcx','abnn']

union：求得并集

rdd1 = sc.parallelize([1,2,3,4])
rdd2 = sc.parallelize([5,6,7,8])
rdd1.union(rdd2).collect()

#输出：[1,2,3,4,5,6,7,8]

intersection：求得交集

rdd1 = sc.parallelize([1,2,3,4])
rdd2 = sc.parallelize([3,4，5,6])
rdd1.intersection(rdd2).collect()

#输出：[3,4]

distinct：去重

rdd = sc.parallelize([1,2,3,4,3,4])
rdd.distinct().collect()

#输出：[1,2,3,4]

sortBy：根据指定Key的方法对RDD内部的元素进行排序

rdd = sc.parallelize(('a',1),('b',2),('1',4))
rdd.sortBy(lambda x:x[0],False).collect()

#输出：[('1',4),('a',1),('b',2)]

mapPartitions：作用于每个分区
action算子有哪些动作？
reduce：
collect：返回列表
count：返回元素的个数

rdd = sc.parallelize([1,2,3,4,5])
rdd.count()
#5

take：返回的是列表形式

rdd.take(1)
#[1]

first：返回的第一个元素

rdd.fisrt()
#1

top：以列表形式返回前k个元素

rdd.top(3)
#[1,2,3]

saveAsTextFile：以字符串形式存储在文件系统中
foreach
foreachPartition

foreach算子和map算子的区别？

foreach算子遍历RDD内的每一个元素，也可通过传递函数对RDD内的每个元素进行处理，但是没有返回值。而map算子有返回值

Key-Value算子转换操作

mapValues:仅作用在value上
flatMapValues:先执行mapValues再执行flat
combineByKey
reduceByKey：根据key分组，对元素进行操作
groupByKey：

x%2只有两种情况，即0和1，groupBy(lambda x:x%2)表示将数据分成0，1两组，result包含两部分，一部分是Key值，一部分是resultiterable对象，包含的是rdd中满足条件的值

sortByKey：根据RDD的对内部元素进行排序
keys
values
join
leftOuterJoin
rightOuterJoin

Key-Vlue动作运算

collectAsMap:返回字典
countByKey：根据Key统计元素数量，返回字典
countByValue:根据Value统计元素数量，返回字典

Spark的Lineage的作用？

RDD的血统通过记录RDD的元数据信息和转换行为，当RDD的部分分区数据发生丢失时，可以根据这些信息重新运算和恢复丢失的数据分区。

宽依赖与窄依赖

宽依赖：指一个父RDD的partition能被多个子RDD的partition所使用，如groupByKey、reduceByKey、sortByKey等操作，也就是一对多的关系。
窄依赖：指每个父RDD的partition最多只能被一个子RDD的partition所使用，如map、filter、union等操作，也就是一对一的关系。
shuffle：shuffle是spark重新分配数据的一种机制，这些数据可以在不同的区域进行分组。

DAG如何划分？

• 对于窄依赖，尽量放在在同一个stage中，可以实现流水线计算
• 对于宽依赖，由于有shuffle的存在，只能在父RDD处理完成后，才能开始接下来的计算，也就是说需要划分stage

补充：

触发shuffle的操作

1. 重新分配操作
2. ByKey操作
3. 连接操作

RDD的持久化的原因

当持久化一个RDD时，每个节点的其他分区都可以使用RDD在内存中进行计算，在该数据上的其他action操作将直接使用内存中的数据。这样会让以后的action操作计算加快。

RDD练习题

1、创建一个1-10数组的RDD，将所有元素*2形成新的RDD

rdd1 = sc.parallelize(range(1,11))
rdd1_result = rdd1.map(lambda x:x*2)
print(rdd1_result.collect())

#输出：[2,4,6,8,10,12,14,16,18,20]

2、创建一个10-20数组的RDD，使用mapPartitions将所有元素*2形成新的RDD .

rdd2 = sc.parallelize(range(10,20))
def f2(iterator):
    list = []
    for i in iterator:
        list.append(i*2)
    return list
rdd2_result = rdd2.mapPartitions(f2)
print(rdd2_result.collect())

3、创建一个元素为 1-5 的RDD，运用 flatMap创建一个新的 RDD，新的 RDD 为原 RDD 每个元素的 平方和三次方 来组成 1,1,4,8,9,27…

rdd3 = sc.parallelize(range(1,6))
rdd3_result = rdd3.flatMap(lambda x:(x**2,x**3))
print(rdd3_result.collect())

4、创建一个 4 个分区的 RDD数据为list[10,20,30,40,50,60]，使用glom将每个分区的数据放到一个数组。

rdd4 = sc.parallelize([10,20,30,40,50,60],4)
rdd4_result = rdd4.glom()
print(rdd4_result.collect())

#输出：[[10],[20,30],[40],[50,60]]

5、创建一个 RDD数据为list[1, 3, 4, 20, 4, 5, 8]，按照元素的奇偶性进行分组。

def f5(x):
    if x%2==0:
        return "偶数"
    else:
        return "奇数"
rdd5 = sc.parallelize([1, 3, 4, 20, 4, 5, 8])
rdd5_result = rdd5.groupBy(f5).mapValues(list)
print(rdd5_result.collect())

6、创建一个 RDD（由字符串组成）list[“xiaoli”, “laoli”, “laowang”, “xiaocang”, “xiaojing”, “xiaokong”]，
过滤出一个新 RDD（包含“xiao”子串）。

rdd6 = sc.parallelize(["xiaoli", "laoli", "laowang", "xiaocang", "xiaojing", "xiaokong"])
rdd6_result = rdd6.filter(lambda x:"xiao" in x)
print(rdd6_result.collect())

7、创建一个 RDD数据为List[10,10,2,5,3,5,3,6,9,1],对 RDD 中元素执行去重操作。

rdd7 = sc.parallelize([10,10,2,5,3,5,3,6,9,1])
rdd7_result = rdd7.distinct()
print(rdd7_result.collect())

8、创建两个RDD，分别为rdd1和rdd2数据分别为1 to 6和4 to 10，计算差集，两个都算。

rdd8_1 = sc.parallelize(range(1,7))
rdd8_2 = sc.parallelize(range(4,10))
rdd8_result1 = rdd8_1.subtract(rdd8_2)
rdd8_result2 = rdd8_2.subtract(rdd8_1)
print(rdd8_result1.collect())
print(rdd8_result2.collect())

9、创建两个RDD，分别为rdd1和rdd2数据分别为1 to 6和4 to 10，计算交集。

rdd9_1 = sc.parallelize(range(1,7))
rdd9_2 = sc.parallelize(range(4,11))
rdd9_result = rdd9_1.intersection(rdd9_2)
print(rdd9_result.collect())

10、用户表（id,name,age,gender）.txt：
001,刘向前,18,0
002,冯 剑,28,1
003,李志杰,38,0
004,郭 鹏,48,1
（1）使用累加器accumulator，计算文件包含学生信息个数。
（2）要求，输出用户信息，gender必须为男或者女，不能为0,1，最终输出格式为
‘’’

rdd10 = sc.textFile("用户表.txt")
count = sc.accumulator(0)
def f10_1(x):
    global count
    if x != "":
        count += 1
rdd10.foreach(f10_1)
print(count)

def f10_2(x):
    y = x.split(",")
    list = []
    for i in y:
        if i == "0":
            list.append("女")
        elif i == "1":
            list.append("男")
        else:
            list.append(i)
    return list

def f10_3(x):
    print(x[0]+","+x[1]+","+x[2]+","+x[3])

rdd10_result = rdd10.map(f10_2).foreach(f10_3)

补充

数据集格式：
Tom,DataBase,80
Tom,Algorithm,50
Tom,DataStructure,60
Jim,DataBase,90
Jim,Algorithm,60
Jim,DataStructure,80

#读取数据
rdd = sc.textFile("xx.txt")
rdd1 = rdd.map(lambda x:x.split(","))

1、多少名学生

rdd1.map(lambda x:(x[0],1)).groupByKey().count()

2、多少门课程

rdd1.map(lambda x:(x[1],1)).groupByKey().count()

3、Tom总成绩平均分

Tom_score = rdd1.filter(lambda x:(x[0]=='Tom')).map(lambda x:(int(x[2]))).sum()
Tom_num = rdd1.filter(lambda x:(x[0]=='Tom')).map(lambda x:(int(x[2]))).count()
Tom_score/Tom_num

4、每名同学的选修的课程数量

rdd1.map(lambda x:(x[0],1)).groupByKey().map(lambda x:(x[0],sum(x[1]))).collect()

5、该系DataBase课程共有多少人选修

rdd1.filter(lambda x:(x[1]=='DataBase')).count()

6、各门课程平均分是多少

total_score = rdd1.map(lambda x:(x[1],int(x[2]))).groupByKey().map(lambda x:(x[0],sum(x[1])))
total_num = rdd1.map(lambda x:(x[1],1)).groupByKey().map(lambda x:(x[0],sum(x[1])))
total_score.join(total_num).map(lambda x:(x[0],round(x[1][0]/x[1][1],2))).collect()
#reduceByKey方式
rdd1.map(lambda x:(x[1],(int(x[2]),1))). \
         reduceByKey(lambda x,y:(x[0]+y[0],x[1]+y[1])). \
          map(lambda x:(x[0],round(x[1][0]/x[1][1],2))).collect()

7、使用累加器计算共有多少人选修DataBase这门课

accum=sc.accumulator(0)
rdd2 = rdd1.filter(lambda x:(x[1]=='DataBase'))
rdd2.foreach(lambda x:accum.add(1))
accum.value

参考
https://blog.csdn.net/HHHBan/article/details/116917993
https://zhuanlan.zhihu.com/p/342048988