spark RDD常用操作

Spark常用算子分析与应用

1、算子概述

• 什么是算子
  • 英文翻译为：Operator（简称op）
  • 狭义：指从一个函数空间到另一个函数空间（或它自身）的映射。
  • 广义：指从一个空间到另一个空间的映射
  • 通俗理解：指事物(数据或函数)从一个状态到另外一个状态的过程抽象。
  • 实质就是映射，就是关系，就是变换。
• 算子的重要作用
  • 算子越少，灵活性越低，则实现相同功能的编程复杂度越高，算子越多则反之。
    • 老手机与智能手机
    • 老电脑与新电脑之HDMI (跟VGA是对等的)
  • 算子越少，表现力越差，面对复杂场景则易用性较差。算子越多的则反之。
    • 黑白彩电与彩色电视
    • 彩色电视和智能电视
• MapReduce 与 Spark算子比较
  • MapReduce只有2个算子，Map和Reduce，绝大多数应用场景下，均需要复杂编码才能达到用户需求。
  • Spark有80多个算子，进行充分的组合应用后，能满足绝大多数的应用场景。

2、Spark算子介绍与应用

2.1 算子分类

1 转换算子(Transformation）

此种算子不触发提交作业，只有作业被提交后才会真正启动转换计算。

• Value型转换算子：其处理的数据项是Value型
  • 输入分区与输出分区一对一型
    • map算子
    • flatMap算子
    • mapPartitions算子
    • glom算子
  • 输入分区与输出分区多对一型
    • union算子
    • cartesian算子
  • 输入分区与输出分区多对多型
    • groupBy算子
  • 输出分区为输入分区子集型
    • filter算子
    • distinct算子
    • subtract算子
    • sample算子
    • takeSample算子
  • Cache型
    • cache算子
    • persist算子
• Key-Value型转换算子：其处理的数据是Key-Value型
  • 输入分区与输出分区一对一
    • mapValues算子
  • 对单个RDD聚集
    • combineByKey算子
    • reduceByKey算子
    • partitionBy算子
  • 对两个RDD聚集
    • cogroup算子
  • 连接
    • join算子
    • leftOutJoin算子
    • rightOutJoin算子

2 行动算子(Action）

此种算子会触发SparkContext提交作业。

• 无输出(是指不输出hdfs、本地文件当中)
  • foreach算子
• HDFS
  • saveAsTextFile算子
  • saveAsObjectFile算子
• Scala集合和数据类型
  • collect算子
  • collectAsMap算子
  • reduceByKeyLocally算子
  • lookup算子
  • count算子
  • top算子
  • reduce算子
  • fold算子
  • aggregate算子

2.2 常用算子分析与应用

2.2.1 Value型转换算子

• 1) map
  • 类比于mapreduce中的map操作，给定一个输入通过map函数映到成一个新的元素输出
    • case_1

val first = sc.parallelize(List("Hello","World","天亮教育","大数据"),2)

val second= first.map(_.length)

second.collect

• • • case_2

val first = sc.parallelize(1 to 5,2)

first.map(1 to _).collect

• 2) flatMap
  • 给定一个输入，将返回的所有结果打平成一个一维集合结构
    • case_1

val first = sc.parallelize(1 to 5,2)

first.flatMap(1 to _).collect

• • • case_2

val first = sc.parallelize(List("one","two","three"),2)

first.flatMap(x => List(x,x,x)).collect

• • • case_3

val first = sc.parallelize(List("one","two","three"),2)

first.flatMap(x => List(x+"_1",x+"_2",x+"_3")).collect

• 3) mapPartitions
  • 以分区为单位进行计算处理，而map是以每个元素为单位进行计算处理。
  • 当在map过程中需要频繁创建额外对象时，如文件输出流操作、jdbc操作、Socket操作等时，当用mapPartitions算子
    • case_1

val rdd=sc.parallelize(Seq(1,2,3,4,5),3)

var rdd2=rdd.mapPartitions(partition=>{

       partition.map(num => num * num)

    }

)

rdd2.max

• • • case_2

val rdd=sc.parallelize(Seq(1,2,3,4,5),3)

var rdd2=rdd.mapPartitions(partition=>{

       partition.flatMap(1 to _)

    }

)

rdd2.count

• 4) glom

以分区为单位，将每个分区的值形成一个数组

val a = sc.parallelize(Seq("one","two","three","four","five","six","seven"),3)

a.glom.collect

• 5) union算子
  • 将两个RDD合并成一个RDD，并不去重
  • 会发生多分区合并成一个分区的情况

val a = sc.parallelize(1 to 4, 2)

val b = sc.parallelize(3 to 6, 2)

a.union(b).collect

(a ++ b).collect

(a union b).collect

• 6) groupBy算子

输入分区与输出分区多对多型

val a = sc.parallelize(Seq(1,3,4,5,9,100,200), 3)

a.groupBy(x => { if (x > 10) ">10" else "<=10" }).collect

• 7) filter算子

输出分区为输入分区子集型

val a = sc.parallelize(1 to 21, 3)

val b = a.filter(_ % 4 == 0)

b.collect

• 8 ) distinct算子

输出分区为输入分区子集型，全局去重

• • • case_1

val a = sc.parallelize(1 to 4, 2)

val b = sc.parallelize(3 to 6, 2)

a.union(b).distinct().collect

• • • case_2

val c = sc.parallelize(List("张三", "李四", "李四", "王五"), 2)

c.distinct.collect

• 9) cache算子
  • cache 将 RDD 元素从磁盘缓存到内存。 相当于 persist(MEMORY_ONLY) 函数的功能。
  • 主要应用在当RDD数据反复被使用的场景下
    • case_1

val a = sc.parallelize(1 to 4, 2)

val b = sc.parallelize(3 to 6, 2)

 

a.union(b).count

a.union(b).distinct().collect

• • • case_2

val a = sc.parallelize(1 to 4, 2)

val b = sc.parallelize(3 to 6, 2)

val c=a.union(b).cache

c.count

c.distinct().collect

2.2.2 Key-Value型转换算子

其处理的数据是Key-Value型

• 1）mapValues算子
  • 输入分区与输出分区一对一
  • 针对（Key,Value）型数据中的 Value 进行 Map 操作，而不对 Key 进行处理。

val first = sc.parallelize(List(("张一",1),("张二",2),("张三",3),("张四",4)),2)

val second= first.mapValues(x=>x+1)

second.collect

• 2）combineByKey算子
  • 定义

def combineByKey[C](

createCombiner: (V) => C,

mergeValue: (C, V) => C,

mergeCombiners: (C, C) => C): RDD[(String, C)]

1. createCombiner:对每个分区内的同组元素如何聚合，形成一个累加器
2.  mergeValue:将前边的累加器与新遇到的值进行合并的方法
3.  mergeCombiners:每个分区都是独立处理，故同一个键可以有多个累加器。如果有两个或者更多的分区都有对应同               一个键的累 加器，用方法将各个分区的结果进行合并。

• case_1

val first = sc.parallelize(List(("张一",1),("李一",1),("张一",2),("张一",3),("李一",3),("李三",3),("张四",4)),2)

val second= first.combineByKey(List(_), (x:List[Int], y:Int) => y :: x, (x:List[Int], y:List[Int]) => x ::: y)

second.collect

• 3）reduceByKey算子
  • 按key聚合后对组进行归约处理，如求和、连接等操作

val first = sc.parallelize(List("小米", "华为", "小米", "小米", "华为", "苹果"), 2)

val second = first.map(x => (x, 1))

second.reduceByKey(_ + _).collect

• 4)join算子
  • 对Key-Value结构的RDD进行按Key的join操作，最后将V部分做flat打平操作。

val first = sc.parallelize(List(("张一",11),("李二",12)),2)

val second = sc.parallelize(List(("张一",21),("李二",22),("王五",23)),2)

first.join(second).collect

2.2.3 行动算子(Action）

• 此种算子会触发SparkContext提交作业。触发了RDD DAG 的执行。
• 1) 无输出型：不落地到文件或是hdfs的作用
  • foreach算子

val first = sc.parallelize(List("小米", "华为", "小米", "小米", "华为", "苹果"), 2)

first.foreach(println _)

• 2) HDFS输出型
  • saveAsTextFile算子

val first = sc.parallelize(List("小米", "华为", "小米", "小米", "华为", "苹果"), 2)

//指定本地保存的目录

first.saveAsTextFile("file:///home/spark/text")    

//指定hdfs保存的目录，默认亦保存在hdfs中

first.saveAsTextFile("spark_shell_output_1")    

• Scala集合和数据类型
  • 3) collect算子
    • 相当于toArray操作，将分布式RDD返回成为一个scala array数组结果，实际是Driver所在的机器节点，再针对该结果操作

val first = sc.parallelize(List("小米", "华为", "小米", "小米", "华为", "苹果"), 2)

first.collect

• 4) collectAsMap算子
  • 相当于toMap操作，将分布式RDD的kv对形式返回成为一个的scala map集合，实际是Driver所在的机器节点，再针对该结果操作

val first = sc.parallelize(List(("张一",1),("李一",1),("张一",2),("张一",3),("李一",3),("李三",3),("张四",4)),2)

first.collectAsMap

• 5)lookup算子
  • 对（Key，Value）型的RDD操作，返回指定Key对应的元素形成的Seq。

val first = sc.parallelize(List("小米", "华为", "华米", "大米", "苹果","米老鼠"), 2)

val second=first.map(x=>({if(x.contains("米")) "有米" else "无米"},x))

second.lookup("有米")

• 6) reduce算子
  • 先对两个元素进行reduce函数操作，然后将结果和迭代器取出的下一个元素进行reduce函数操作，直到迭代器遍历完所有元素，得到最后结果。

//求value型列表的和

val a = sc.parallelize(1 to 10, 2)

a.reduce(_ + _)

//求key-value型列表的value的和

val a = sc.parallelize(List(("one",1),("two",2),("three",3),("four",4)), 2)

a.reduce((x,y)=>("sum",x._2 + y._2))._2

• 7) fold算子
  • fold算子签名：  def fold(zeroValue: T)(op: (T, T) => T): T
  • 其实就是先对rdd分区的每一个分区进行op函数，在调用op函数过程中将zeroValue参与计算，最后在对所有分区的结果调用op函数，同理此处zeroValue再次参与计算。

//和是41,公式=(1+2+3+4+5+6+10)+10

sc.parallelize(List(1, 2, 3, 4, 5, 6), 1).fold(10)(_+_)

//和是51,公式=(1+2+3+10)+(4+5+6+10)+10=51

sc.parallelize(List(1, 2, 3, 4, 5, 6), 2).fold(10)(_+_)

//和是61,公式=(1+2+10)+(3+4+10)+(5+6+10)+10=61

sc.parallelize(List(1, 2, 3, 4, 5, 6), 3).fold(10)(_+_)