**RDD的方法(算子)**分为两大类:
转换:功能的补充和封装,将旧的RDD包装成新的RDD(flatMap, map)
行动:出发任务的调度和作业的执行(collect)
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
分区不变原则:分区不变,数据转换之后的分区也不会改变
Value 类型
map
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。
object TestTransform {
def main(args: Array[String]): Unit = {
val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
val sc = new SparkContext(sparkConf)
// 算子-map
val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4))
// 转换函数
def mapFunction(num: Int): Int = {
num * 2
}
// val mapRdd: RDD[Int] = rdd.map(mapFunction)
// val mapRdd: RDD[Int] = rdd.map((num: Int) => { num * 2 })
val mapRdd: RDD[Int] = rdd.map(_ * 2)
mapRdd.collect().foreach(println)
// 2
// 4
// 6
// 8
sc.stop()
}
}
object TestTransformMapPar {
def main(args: Array[String]): Unit = {
val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
val sc = new SparkContext(sparkConf)
// 算子-map
// 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的逻辑执行完毕之后,才会执行下一个数据
// 分区内数据的执行是有序的
// val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4), 1)
// 2、不同分区之间的计算顺序是无序的
val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4), 2)
val mapRdd: RDD[Int] = rdd.map(num => {
println(">>>>>>>" + num)
num
})
val mapRdd1: RDD[Int] = mapRdd.map(num => {
println(">>>>>>>" + num)
num
})
mapRdd1.collect()
sc.stop()
}
}
mapPartitions
def mapPartitions[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。
object TestTransformMapPartitions {
def main(args: Array[String]): Unit = {
val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
val sc = new SparkContext(sparkConf)
// 算子-mapPartitions
val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4), 2)
// 一次性拿一个分区的数据来进行批处理,但是会将整个分区的数据加载到内存进行引用
// 处理完的数据是不会备释放掉的,存在对象的引用
// 在内存较小,数据量较大的场合下,容易出现内存溢出
val mpRdd: RDD[Int] = rdd.mapPartitions(iter => {
println("======")
iter.map(_ * 2)
})
mpRdd.collect().foreach(println)
// ======
// ======
// 2
// 4
// 6
// 8
sc.stop()
}
}
获取每个分区里数据的最大值
object TestTransformMapPartitions1 {
def main(args: Array[String]): Unit = {
val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
val sc = new SparkContext(sparkConf)
// 算子-mapPartitions
val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4), 2)
// 【1, 2】【3, 4】
// 【2】【4】
val mpRdd: RDD[Int] = rdd.mapPartitions((iter: Iterator[Int]) => {
List(iter.max).iterator
})
mpRdd.collect().foreach(println)
sc.stop()
}
}
map 和 mapPartitions 的区别
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。
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
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,而是使用 map 操作,因为完成比完美更重要
mapPartitionsWithIndex
def mapPartitionsWithIndex[U: ClassTag](
f: (Int, 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,在处理时同时可以获取当前分区索引。
object TestTransformMapPartitionsIndex {
def main(args: Array[String]): Unit = {
val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
val sc = new SparkContext(sparkConf)
// 算子-mapPartitionsWithIndex
// 【1, 2】【3, 4】
val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4), 2)
val mpiRDD: RDD[Int] = rdd.mapPartitionsWithIndex((index, iter) => {
if (index == 1) {
iter
} else {
Nil.iterator
}
})
mpiRDD.collect().foreach(println)
// 3
// 4
sc.stop()
}
}
flatMap
def flatMap[U: ClassTag](f: T => TraversableOnce[U]): RDD[U]
将处理的数据进行扁平化后再进行映射处理,所以算子也称之为扁平映射
object TestTransformFlatMap {
def main(args: Array[String]): Unit = {
val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
val sc = new SparkContext(sparkConf)
// 算子-flatMap
val rdd = sc.makeRDD(
List(
List(1, 2),
3,
List(4, 5)
)
)
val flatRDD = rdd.flatMap(data => {
data match {
case list: List[_] => list
case x => List(x)
}
})
flatRDD.collect().foreach(println)
// 1
// 2
// 3
// 4
// 5
sc.makeRDD(List("hello scala", "hello spark"))
.flatMap(_.split(" "))
.collect()
.foreach(println)
// hello
// scala
// hello
// spark
sc.stop()
}
}
glom
def glom(): RDD[Array[T]]
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
object TestTransformGlom {
def main(args: Array[String]): Unit = {
val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
val sc = new SparkContext(sparkConf)
// 算子-glom
val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4), 2)
val glomRdd: RDD[Array[Int]] = rdd.glom()
glomRdd.collect().foreach(data => { println(data.mkString(",")) })
// 1,2
// 3,4
// 求分区的最大值之和
// 【1,2】【3,4】
// 【2】【4】
// 【6】
val glomRdd1: RDD[Array[Int]] = rdd.glom()
val maxRdd: RDD[Int] = glomRdd1.map(_.max)
println(maxRdd.collect().sum)
// 6
sc.stop()
}
}
groupBy
def groupBy[K](f: T => K)(implicit kt: ClassTag[K]): RDD[(K, Iterable[T])]
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
object TestTransformGroupBy {
def main(args: Array[String]): Unit = {
val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
val sc = new SparkContext(sparkConf)
// 算子-groupBy
// groupBy会将数据源中的每一个数据进行分组判断,根据返回的分组key进行分组
// 相同的key值的数据会放置到同一个组中
sc.makeRDD(List(1, 2, 3, 4))
.groupBy(_ % 2)
.collect().foreach(println)
// (0,CompactBuffer(2, 4))
// (1,CompactBuffer(1, 3))
// 根据首字符分组
sc.makeRDD(List("hello", "Hello", "word", "spark", "scala"), 2)
.groupBy(_.charAt(0))
.collect().foreach(println)
// (H,CompactBuffer(Hello))
// (s,CompactBuffer(spark, scala))
// (h,CompactBuffer(hello))
// (w,CompactBuffer(word)
// 分组和分区没有必然的关系
sc.stop()
}
}
filter
def filter(f: T => Boolean): RDD[T]
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。
// 获取奇数
sc.makeRDD(List(1, 2, 3, 4))
.filter(_ % 2 != 0)
.collect().foreach(println)
sample
def sample(
withReplacement: Boolean, // true为抽取放回 false不放回
fraction: Double,
seed: Long = Utils.random.nextLong): RDD[T]
根据指定的规则从数据集中抽取数据
object TestTransformSample {
def main(args: Array[String]): Unit = {
val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
val sc = new SparkContext(sparkConf)
// 算子-sample
val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4, 5, 6, 7, 8, 9))
// sample算子有三个参数
// 1、第一个参数表示,抽取数据后是时候将数据返回false为丢弃,
// 伯努利算法:又叫 0、1 分布。例如扔硬币,要么正面,要么反面。
// 根据种子和随机算法算出一个数和第二个参数设置几率比较,小于第二个参数要,大于不要
// 2、第二个参数表示, 抽取不放回的话,数据源中每条数据被抽取的概率,基准值的概念,抽取的几率,范围在[0,1]之间,0:全不取;1:全取;
// 3、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,那么使用的是当前系统时间,如果传递了,那么程序每次执行的结果都是一样的
println(rdd.sample(false, 0.4)
.collect().mkString(","))
println("------------------")
// 1、第一个参数表示,抽取数据后是时候将数据返回true为放回
// 2、第二个参数表示,重复数据的几率,范围大于等于 0.表示每一个元素被期望抽取到的次数,实际可能被抽到0次、1次、2次或多次
// 3、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,那么使用的是当前系统时间,如果传递了,那么程序每次执行的结果都是一样的
println(rdd.sample(true, 2)
.collect().mkString(","))
sc.stop()
}
}
distinct
def distinct()(implicit ord: Ordering[T] = null): RDD[T]
def distinct(numPartitions: Int)(implicit ord: Ordering[T] = null): RDD[T]
将数据集中重复的数据去重
// 算子-distinct
sc.makeRDD(List(1, 2, 3, 4, 1, 3, 4, 1))
.distinct()
.collect().foreach(println)
// scala自带的List的去重底层用到的是hashset
// distinct的原理 map(x => (x, null)).reduceByKey((x, _) => x, numPartitions).map(_._1)
coalesce
def coalesce(
numPartitions: Int,
shuffle: Boolean = false,
partitionCoalescer: Option[PartitionCoalescer] = Option.empty)(implicit ord: Ordering[T] = null): RDD[T]
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
// 算子-coalesce
sc.makeRDD(List(1, 2, 3, 4), 4)
.coalesce(2)
.saveAsTextFile("output")
// 结果是12在一个文件中,34在一个文件中
sc.makeRDD(List(1, 2, 3, 4, 5, 6), 3)
.coalesce(2)
.saveAsTextFile("output2")
// 结果是12在一个文件中,3456在一个文件中
// coalesce方法默认情况下不会讲分区的数据打乱重新组合
// 这种情况下缩减分区可能会导致数据不均衡,出现数据倾斜
// 如果想要数据均衡,可以进行shuffle处理,因为会打乱,所以最终数据结果会是随机的
sc.makeRDD(List(1, 2, 3, 4, 5, 6), 3)
.coalesce(2, true)
.saveAsTextFile("output3")
// coalesce算子可以扩大分区,但是如果不进行shuffle操作,是没有意义的,不起作用
// 如果想要扩大分区,需要使用shuffle操作
// 缩减分区:coalesce,如果想要数据均衡,可以采用shuffle
// 扩大分区: repartition,它的底层就是coalesce,且会shuffle
sc.makeRDD(List(1, 2, 3, 4, 5, 6), 2).coalesce(3, true).saveAsTextFile("output")
sc.makeRDD(List(1, 2, 3, 4, 5, 6), 2).coalesce(3, true).saveAsTextFile("output")
repartition
def repartition(numPartitions: Int)(implicit ord: Ordering[T] = null): RDD[T]
该操作内部其实执行的是 coalesce 操作,参数 shuffle 的默认值为 true。无论是将分区数多的RDD 转换为分区数少的 RDD,还是将分区数少的 RDD 转换为分区数多的 RDD,repartition操作都可以完成,因为无论如何都会经 shuffle 过程。
sortBy
def sortBy[K](
f: (T) => K,
ascending: Boolean = true,
numPartitions: Int = this.partitions.length)(implicit ord: Ordering[K], ctag: ClassTag[K]): RDD[T]
该操作用于排序数据。在排序之前,可以将数据通过 f 函数进行处理,之后按照 f 函数处理的结果进行排序,默认为升序排列。排序后新产生的 RDD 的分区数与原 RDD 的分区数一致。中间存在 shuffle 的过程
// 算子-sortBy
// sortBy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,可以通过第二个参数进行设置,设置为false为降序
// sortBy默认情况下,不会改变分区个数,但是中间有shuffle操作
sc.makeRDD(List(1, 6, 4, 2, 5, 3), 2)
.sortBy(num => num)
.saveAsTextFile("output")
// 123在一个文件,456在一个文件中
双Value类型
双值类型,即两个数据源进行关联操作
intersection
def intersection(other: RDD[T]): RDD[T]
对源 RDD 和参数 RDD 求交集后返回一个新的 RDD
union
def union(other: RDD[T]): RDD[T]
对源 RDD 和参数 RDD 求并集后返回一个新的 RDD
subtract
def subtract(other: RDD[T]): RDD[T]
以一个 RDD 元素为主,去除两个 RDD 中重复元素,将其他元素保留下来。求差集
zip
def zip[U: ClassTag](other: RDD[U]): RDD[(T, U)]
将两个 RDD 中的元素,以键值对的形式进行合并。其中,键值对中的 Key 为第 1 个 RDD中的元素,Value 为第 2 个 RDD 中的相同位置的元素。
object TestTransformDoubleValue {
def main(args: Array[String]): Unit = {
val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
val sc = new SparkContext(sparkConf)
// 算子-双value类型
// 交集、并集和差集要求两个数据源的数据类型保持一致
// 拉链操作两个的数据类型可以一致
val rdd1: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4))
val rdd2: RDD[Int] = sc.makeRDD(List(3, 4, 5, 6))
// 交集
println(rdd1.intersection(rdd2).collect().mkString(","))
// 3,4
// 并集
println(rdd1.union(rdd2).collect().mkString(","))
// 1,2,3,4,3,4,5,6
// 差集
println(rdd1.subtract(rdd2).collect().mkString(","))
// 1,2
println(rdd2.subtract(rdd1).collect().mkString(","))
// 6,5
// 拉链
// 拉链操作的两个数据源要求分区数量要保持一致
// 拉链操作的两个数据源的每一个分区的数量要保持一致
println(rdd1.zip(rdd2).collect().mkString(","))
// (1,3),(2,4),(3,5),(4,6)
println(rdd2.zip(rdd1).collect().mkString(","))
// (3,1),(4,2),(5,3),(6,4)
sc.stop()
}
}
Key - Value 类型
partitionBy
def partitionBy(partitioner: Partitioner): RDD[(K, V)]
将数据按照指定 Partitioner 重新进行分区。Spark 默认的分区器是 HashPartitioner
// 算子-partitionBy
val rdd = sc.makeRDD(List(1, 2, 3, 4), 2).map(_ -> 1)
// 隐式转换(二次编译) RDD => PairRDDFunctions
// partitionBy根据指定的分区规则对数据进行重分区
// 当前分区规则和重分区规则类型和数量完全相同时,不会进行重分区
// 除了HashPartitioner,还有一个是RangePartitioner多用用于排序使用,以及自定义
rdd.partitionBy(new HashPartitioner(2)).saveAsTextFile("output")
reduceByKey
def reduceByKey(func: (V, V) => V): RDD[(K, V)]
def reduceByKey(func: (V, V) => V, numPartitions: Int): RDD[(K, V)]
可以将数据按照相同的 Key 对 Value 进行聚合
// 算子-reduceByKey
val rdd = sc.makeRDD(List(
("a", 1), ("a", 2), ("a", 3), ("b", 4)
))
// reduceKey:相同的key的数据进行value的聚合操作
// scala语言中一般的聚合操作都是两两聚合,spark是基于scala开发的,所以也是两两聚合
// reduceByKey中如果key的数据只有一个的话,是不会参与运算的
rdd.reduceByKey(_ + _).collect().foreach(println)
// (a,6)
// (b,4)
groupByKey
def groupByKey(): RDD[(K, Iterable[V])]
def groupByKey(numPartitions: Int): RDD[(K, Iterable[V])]
def groupByKey(partitioner: Partitioner): RDD[(K, Iterable[V])]
将数据源的数据根据 key 对 value 进行分组
reduceByKey 和 groupByKey 的区别
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,不存在数据量减少的问题,reduceByKey 性能比较高。
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,所以在分组聚合的场合下,推荐使用 reduceByKey,如果仅仅是分组而不需要聚合。那么还是只能使用 groupByKey
groupByKey会导致数据打乱重组,存在shuffle操作
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
reduceByKey分区内和分区间计算规则是完全相同的
spark中,shuffle操作必须落盘处理,不能在内存中数据等待,否则会导致内存溢出,因此shuffle操作的性能非常低
aggregateByKey
def aggregateByKey[U: ClassTag](zeroValue: U)(seqOp: (U, V) => U,combOp: (U, U) => U): RDD[(K, U)]
将数据根据不同的规则进行分区内计算和分区间计算
object TestTransformAggregateByKey {
def main(args: Array[String]): Unit = {
val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
val sc = new SparkContext(sparkConf)
// 算子-reduceByKey
val rdd = sc.makeRDD(List(
("a", 1), ("a", 2), ("a", 3), ("a", 4)
), 2)
// (a, 【1, 2】), (a, 【3, 4】)
// (a, 2), (a, 4)
// (a, 6)
// aggregateByKey存在函数的柯里化,有两个参数列表
// 第一个参数列表,需要传递一个参数,表示初始值,主要用于当遇到第一个key的时候,和value进行分区计算
// 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
// 最终的返回结果应该和初始值的类型保存一致
rdd.aggregateByKey(0 )(
(x, y) => math.max(x, y),
(x, y) => x + y
).collect.foreach(println)
// (a,6)
rdd.aggregateByKey(0 )(
(x, y) => x + y,
(x, y) => x + y
).collect.foreach(println)
// (a,14)
// 如果聚合计算时,分区内和分区间计算规则相同,spark提供了简化的方法
rdd.foldByKey(0)(_ + _).collect.foreach(println)
// (a,14)
// 获取相同key的数据的平均值
rdd.aggregateByKey((0, 0))(
(t, v) => {
(t._1 + v, t._2 + 1)
},
(t1, t2) => {
(t1._1 + t2._1, t1._2 + t2._2)
}
).mapValues {
case (num, count) => num / count
}.collect.foreach(println)
// (a,2)
// combineByKey方法需要三个参数
// 第一个参数表示: 将相同key的第一个数据进行结构的转换,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
rdd.combineByKey(
v => (v, 1),
(t: (Int, Int), v) => {
(t._1 + v, t._2 + 1)
},
(t1: (Int, Int), t2: (Int, Int)) => {
(t1._1 + t2._1, t1._2 + t2._2)
}
).mapValues {
case (num, count) => num / count
}.collect.foreach(println)
// (a,2)
sc.stop()
}
}
foldByKey
def foldByKey(zeroValue: V)(func: (V, V) => V): RDD[(K, V)]
当分区内计算规则和分区间计算规则相同时,aggregateByKey 就可以简化为 foldByKey
combineByKey
def combineByKey[C](
createCombiner: V => C,
mergeValue: (C, V) => C,
mergeCombiners: (C, C) => C): RDD[(K, C)]
最通用的对 key-value 型 rdd 进行聚集操作的聚集函数(aggregation function)。类似于aggregate(),combineByKey()允许用户返回值的类型与输入不一致
reduceByKey、foldByKey、aggregateByKey、combineByKey 的区别
reduceByKey: 相同 key 的第一个数据不进行任何计算,分区内和分区间计算规则相同
FoldByKey: 相同 key 的第一个数据和初始值进行分区内计算,分区内和分区间计算规则相同
AggregateByKey:相同 key 的第一个数据和初始值进行分区内计算,分区内和分区间计算规则可以不相同
CombineByKey:当计算时,发现数据结构不满足要求时,可以让第一个数据转换结构。分区内和分区间计算规则不相同
object TestTransformReduceByKey1 {
def main(args: Array[String]): Unit = {
val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
val sc = new SparkContext(sparkConf)
// 算子-reduceByKey
val rdd = sc.makeRDD(List(
("a", 1), ("a", 2), ("a", 3), ("b", 4)
), 2)
/**
* combineByKeyWithClassTag[V](
* (v: V) => v, // 第一个值不会参与计算
* func, // 分区内处理规则
* func // 分区间处理规则
* )
*/
rdd.reduceByKey(_ + _)
/**
* combineByKeyWithClassTag[U](
* (v: V) => cleanedSeqOp(createZero(), v), // 初始值和第一个key的value值进行的分区内数据操作
* cleanedSeqOp, // 分区内处理规则
* combOp // 分区间处理规则
* )
*/
rdd.aggregateByKey(0)(_ + _, _ + _)
/**
* combineByKeyWithClassTag[V](
* (v: V) => cleanedFunc(createZero(), v), // 初始值和第一个key的value值进行的分区内数据操作
* cleanedFunc, // 分区内处理规则
* cleanedFunc // 分区间处理规则
* )
*/
rdd.foldByKey(0)(_ + _)
/**
* combineByKeyWithClassTag(
* createCombiner, // 相同key的第一条数据进行的处理函数
* mergeValue, // 表示分区内数据的处理函数
* mergeCombiners // 表示分区间数据的处理函数
* )
*/
rdd.combineByKey(v => v, (x: Int, y) => x + y, (x: Int, y: Int) => x + y)
sc.stop()
}
}
sortByKey
def sortByKey(
ascending: Boolean = true,
numPartitions: Int =
self.partitions.length): RDD[(K, V)]
在一个(K,V)的 RDD 上调用,K 必须实现 Ordered 接口(特质),返回一个按照 key 进行排序的
object TestTransformSortByKey {
def main(args: Array[String]): Unit = {
val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
val sc = new SparkContext(sparkConf)
// 算子-sortByKey
val rdd = sc.makeRDD(List(
("c", 1), ("a", 2), ("d", 3), ("e", 4)
))
rdd.sortByKey().collect.foreach(println)
// (a,2)
// (c,1)
// (d,3)
// (e,4)
sc.makeRDD(List(
(new User("a", 13), 1),
(new User("b", 67), 2),
(new User("v", 33), 3),
(new User("c", 23), 4)
)).sortByKey().collect().foreach((t: (User, Int)) => println(t._1.toString))
// name is b age is 67
// name is v age is 33
// name is c age is 23
// name is a age is 13
sc.stop()
}
}
class User(var name: String, var age: Int) extends Ordered[User] with Serializable {
override def compare(that: User): Int = {
if (age > that.age) {
-1
} else if (age < that.age) {
1
} else {
0
}
}
override def toString: String = {
"name is " + name + " age is " + age
}
}
join
def join[W](other: RDD[(K, W)]): RDD[(K, (V, W))]
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,相当于内连接
// 算子-join
val rdd1 = sc.makeRDD(List(
("a", 1), ("b", 2), ("c", 3), ("d", 3), ("a", 3)
))
val rdd2 = sc.makeRDD(List(
("a", 5), ("c", 7), ("b", 6)
))
// join:两个不同数据源的数据,相同的key的value会连接在一起,形成元组
// 如果两个数据源中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,可能会出现笛卡尔乘积,数据量会几何性增长,会导致性能下降
// 能不用join就不用
rdd1.join(rdd2).collect.foreach(println)
// (a,(1,5))
// (a,(3,5))
// (b,(2,6))
// (c,(3,7))
leftOuterJoin
def leftOuterJoin[W](other: RDD[(K, W)]): RDD[(K, (V, Option[W]))]
类似于 SQL 语句的左外连接
val rdd1 = sc.makeRDD(List(
("a", 1), ("b", 2), ("c", 3), ("d", 3), ("a", 3)
))
val rdd2 = sc.makeRDD(List(
("a", 5), ("c", 7), ("b", 6), ("e", 4)
))
// leftJoin rightJoin
rdd1.leftOuterJoin(rdd2).collect.foreach(println)
// (a,(1,Some(5)))
// (a,(3,Some(5)))
// (b,(2,Some(6)))
// (c,(3,Some(7)))
// (d,(3,None))
rdd2.leftOuterJoin(rdd1).collect.foreach(println)
// (a,(5,Some(3)))
// (b,(6,Some(2)))
// (c,(7,Some(3)))
// (e,(4,None))
cogroup
def cogroup[W](other: RDD[(K, W)]): RDD[(K, (Iterable[V], Iterable[W]))]
在类型为(K,V)和(K,W)的 RDD 上调用,返回一个(K,(Iterable,Iterable))类型的 RDD
object TestTransformCogroup {
def main(args: Array[String]): Unit = {
val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
val sc = new SparkContext(sparkConf)
// 算子-join
val rdd1 = sc.makeRDD(List(
("a", 1), ("b", 2), ("c", 3), ("d", 3), ("a", 3)
))
val rdd2 = sc.makeRDD(List(
("a", 5), ("c", 7), ("b", 6), ("e", 4)
))
// cogroup: connect + group
// 这个最多可以连接三个其他的数据源
rdd1.cogroup(rdd2).collect.foreach(println)
// (a,(CompactBuffer(1, 3),CompactBuffer(5)))
// (b,(CompactBuffer(2),CompactBuffer(6)))
// (c,(CompactBuffer(3),CompactBuffer(7)))
// (d,(CompactBuffer(3),CompactBuffer()))
// (e,(CompactBuffer(),CompactBuffer(4)))
sc.stop()
}
}
案例实操
数据:agent.log:时间戳,省份,城市,用户,广告,中间字段使用空格分隔。
需求:统计出每一个省份每个广告被点击数量排行的 Top3
// 1、获取原始数据:时间戳,省份,城市,用户,广告
val rdd = sc.textFile("datas/spark-core/agent.log")
// 2、将原始数据进行结构的转换,方便统计
// 时间戳,省份,城市,用户,广告 => ((省份, 广告), 1)
val rddMap: RDD[((String, String), Int)] = rdd.map(str => {
val data: Array[String] = str.split(" ")
((data(1), data(4)), 1)
})
// 3、讲转换结构后的数据进行分组聚合
// ((省份, 广告), 1) => ((省份, 广告), sum)
val rddReduce = rddMap.reduceByKey(_ + _)
// 4、将聚合的结果进行结构的转换
// ((省份, 广告), 1) => (省份, (广告, sum))
val newMapRdd: RDD[(String, (String, Int))] = rddReduce.map {
case ((prv, ad), sum) => {
(prv, (ad, sum))
}
}
// 5、讲转换结构后的数据根据省份进行分组
// (省份, 【(广告A, sumA), (广告B, sumB)】)
val groupRdd: RDD[(String, Iterable[(String, Int)])] = newMapRdd.groupByKey()
// 6、将分组后的数据组内排序(降序),取前三名
val result: RDD[(String, List[(String, Int)])] = groupRdd.mapValues(iter => {
iter.toList.sortBy(_._2).reverse.take(3)
})
// 7、采集数据打印在控制台
result.collect.foreach(println)
// (4,List((12,25), (16,22), (2,22)))
// (8,List((2,27), (20,23), (11,22)))
// (6,List((16,23), (24,21), (27,20)))
// (0,List((2,29), (24,25), (26,24)))
// (2,List((6,24), (21,23), (29,20)))
// (7,List((16,26), (26,25), (1,23)))
// (5,List((14,26), (12,21), (21,21)))
// (9,List((1,31), (28,21), (0,20)))
// (3,List((14,28), (28,27), (1,25)))
// (1,List((3,25), (6,23), (5,22)))