Spark常用算子分析与运用

1.算子分析与应用

1.1 准换算子（不触发提交，提交后才启动转换计算）

value型：
输入输出一对一：map flatMap mapPartitions
输入输出多对一：union cartesian
输入输出多对多：groupBy
输出为输入子集：filter distinct subtract sample takeSample
cache型：cache persist

key-value型：
一对一：mapValues
单个RDD聚集：combineByKey reduceByKey partitionBy
两个RDD:cogroup
连接：join leftOutJoin rightOutJoin

1.2 行动算子（触发sparkContext提交作业）

无输出（不到hdfs、本地）：foreach
HDFS：saveAsTextFile saveAsObjectFile
scala集合数据类型:collect collectAsMap reduceByKeyLocally lookup count
top reduce fold aggregate

2. 算子应用案例

在Spark中创建RDD方式大概可以分为三种：
（1）、从集合中创建RDD；（2）、从外部存储创建RDD；（3）、从其他RDD创建。
从集合中创建RDD，Spark主要提供了两中函数：parallelize和makeRDD。

2.1 value型转换算子

1. map 给定输入映射成新的元素输出

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

val first = sc.parallelize(List("Hello","World","学习","大数据"),2)
first.map(_.length).collect

2. flatMap 给定输入，将结果打平成一维集合

3. mapPartitions 以分区为单位进行计算处理，在map过程中需要频繁创建额外对象是，如文件输出流操作、jdbc操作用mapPartitions

val rdd=sc.parallelize(Seq(1,2,3,4,5),3)
var rdd2=rdd.mapPartitions(partition=>{
        //在此处加入jdbc等一次初始化多次使用的代码
       partition.map(num => num * num)
    }
)
rdd2.max

4. glom 将每个分区的值形成一个数组
   12 34 567 先平均分，分完余数再从后往前分。

val a = sc.parallelize(Seq("one","two","three","four","five","six","seven"),3)
a.glom.collect
结果：
Array[Array[String]] = Array(Array(one, two), Array(three, four), Array(five, six, seven))

5. union 两个RDD合并成一个RDD

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 分组

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 输出为输入分区的子集（连接作用，输出需要用到输入）

val a = sc.parallelize(1 to 21, 3)
val b = a.filter(_ % 4 == 0)
b.collect

8. distinct 去重

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

9. cache 缓存到内存，RDD需要反复使用

val c=a.union(b).cache
c.count
c.distinct().collect

2.2 k-v型转换算子

1. mapValue 仅对value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 ，key对应的value形成一个集合

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
结果：
Array[(String, List[Int])] = Array((李一,List(1, 3)), (张一,List(2, 1, 3)), (张四,List(4)), (李三,List(3)))

3. reduceByKey 按key聚合

val second = first.map(x => (x, 1))
second.reduceByKey(_ + _).collect

4. join 按key进行join操作，最后将v做flatmap打平操作

first.join(second).collect

2.3 行动算子

1.  foreach
   

2. saveAsTextFile

first.saveAsTextFile("file:///home/spark/text") 
//指定hdfs保存的目录，默认路径是hdfs系统中/user/当前用户路径下
first.saveAsTextFile("spark_shell_output_1")   

3. collect 将分布式RDD返回Driver节点，即可本地输出

4. collectAsMap map版的collect

5. lookup 指定key对应元素形成的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 聚合迭代，再操作

//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 先对rdd分区的每一个分区进行op函数，在调用op函数

//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)(_+_)