Spark常用RDD算子：transformation转换算子以及action触发算子

1. 算子（方法）介绍

rdd中封装了各种算子方便进行计算，主要分为两类：

• transformation 转换算子
  • 对RDD数据进行转化得到新的RDD，定义了一个线程任务。
  • 常见：map、filter、flatMap、reduceByKey、groupByKey、sortByKey
• action 触发算子
  • 触发计算任务，让计算任务进行执行，得到结果。
  • 触发线程执行的。
  • 常见：foreach、first、count、reduce、saveAsTextFile、collect、take

RDD的转换算子大部分都是从RDD中读取元素数据（RDD中每条数据），具体计算需要开发人员编写函数传递到RDD算子中。
RDD的执行算子则大部分是用来获取数据，collect方法就是触发算子。

注意：

• 转换算子是lazy模式，一般不会触发job和task的运行，返回值一定是RDD。
• 执行算子，会触发job和task的运行，返回值一定不是RDD。

2. 常用transformation算子

2.1 map

• RDD.map(lambda 参数:参数计算)
• 参数接受每个元素数据

# Map算子使用
# map算子主要使用长场景，一个转化rdd中每个元素的数据类型，拼接rdd中的元素数据，对rdd中的元素进行需求处理
# 需求，处理hdfs中的学生数据，单独获取每个学生的信息
from pyspark import SparkContext

sc = SparkContext()

# 1- 读取hdfs中的学生数据
rdd = sc.textFile('hdfs://node1:8020/data/stu.txt')
# 2- 使用转化算子进行数据处理
# map中的lambda表达式，必须定义一个参数，用来接收rdd中的元素数据, 注意：x参数如何处理，要看x接收的数据类型
rdd2 = rdd.map(lambda x:x.split(','))
# 3-从rdd2中获取姓名数据
rdd3 = rdd2.map(lambda x:x[1])

# lambda 函数能进行简单的数据计算，如果遇到复杂数据计算时，就需要使用自定义函数
# 获取年龄数据，并且转化年龄数据为int类型，将年龄和性别合并一起保存成元组  (男,20) (女,21)
def func(x):
    # 1-先切割数据
    data_split = x.split(',')
    # 2-转化数据类型
    age = int(data_split[2])
    # 3-拼接性别和年龄
    data_tuple = (data_split[3],age)
    return data_tuple
# 将函数的名字传递到map中，不要加括号
rdd4 = rdd.map(func)


# 触发执行算子，查看读取的数据
res = rdd.collect()
print(res)

res2 = rdd2.collect()
print(res2)

res3 = rdd3.collect()
print(res3)


res4 = rdd4.collect()
print(res4)

运行结果：

2.2 flatMap

• 处理的是二维嵌套列表数据[[1,‘张三’],[2,‘李四’],[3,‘王五’]] --> [1, ‘张三’, 2, ‘李四’, 3, ‘王五’]
• rdd.flatMap(lambda 参数：[参数计算])

#flatmap算子使用
# 主要使用场景是对二维嵌套的数据降维操作 [[1,'张三'],[2,'李四'],[3,'王五']] --> [1, '张三', 2, '李四', 3, '王五']
from pyspark import SparkContext
sc = SparkContext()

#生成rdd
rdd = sc.parallelize([[1,'张三'],[2,'李四'],[3,'王五']])
#使用flatmap算子进行转化
rdd2 = rdd.flatMap(lambda x: x)

#查看数据
res = rdd2.collect()
print(res)

运行结果：

2.3 filter

• rdd.filter(lambda 参数：参数条件过滤)
• 条件过滤的书写和Python中if判断的一样

# RDD数据过滤
# 需求：过滤年龄大于20岁的信息
from pyspark import SparkContext

sc = SparkContext()

# 1- 读取hdfs中的学生数据
rdd = sc.textFile('hdfs://node1:8020/data/stu.txt')
# 2- 使用转化算子进行数据处理
# map中的lambda表达式，必须定义一个参数，用来接收rdd中的元素数据, 注意：x参数如何处理，要看x接收的数据类型
rdd2 = rdd.map(lambda x:x.split(','))
#使用fliter方法进行数据过滤
rdd3 = rdd2.filter(lambda x: int(x[2]) > 20)
rdd4 = rdd2.filter(lambda x:x[3]=='男')


# 查看数据
res = rdd2.collect()
print(res)

res3 = rdd3.collect()
print(res3)

res4 = rdd4.collect()
print(res4)

运行结果：

2.4 distinct

• 不需要lambda rdd.distinct

# distinct  去重算子
# rdd中有重复数据时，可以进行去重
from pyspark import SparkContext

sc = SparkContext()

# 1- 读取hdfs中的学生数据
rdd = sc.textFile('hdfs://node1:8020/data/stu.txt')
# 2- 使用转化算子进行数据处理
# map中的lambda表达式，必须定义一个参数，用来接收rdd中的元素数据, 注意：x参数如何处理，要看x接收的数据类型
rdd2 = rdd.map(lambda x: x.split(','))
# 3-从rdd2中获取性别数据
rdd3 = rdd2.map(lambda x: x[3])

#对rdd3中的数据去重
rdd4 = rdd3.distinct()

#查看数据
res = rdd3.collect()
print(res)

res1 = rdd4.collect()
print(res1)

运行结果：

2.6 groupBy

• rdd.groupBy(lambda 参数：根据参数编写分组条件)
• mapValues(list)

# groupBy分组
# 按照不同性别进行分组
# 原理： 就是对需要分组的数据进行hash取余数 ，余数相同会放入同一组
from pyspark import SparkContext

sc = SparkContext()

# 1- 读取hdfs中的学生数据
rdd = sc.textFile('hdfs://node1:8020/data/stu.txt')
# 2- 使用转化算子进行数据处理
# map中的lambda表达式，必须定义一个参数，用来接收rdd中的元素数据, 注意：x参数如何处理，要看x接收的数据类型
rdd2 = rdd.map(lambda x: x.split(','))
# 3- 对性别进行分组
rdd3 = rdd2.groupBy(lambda x: hash(x[3]) % 2)
#查看分组的数据内容 mapValues 取出分组后的数据值，对数据值转为列表即可
rdd4 = rdd3.mapValues(lambda x:list(x))

# 查看数据内容
res = rdd2.collect()
print(res)


res3 = rdd3.collect()
print(res3)

res4 = rdd4.collect()
print(res4)

运行结果：

2.7 sortBy()

• rdd.sortBy(lambda x:x,ascending=False)

#RDD的数据排序
from pyspark import SparkContext
sc = SparkContext()

# 生成rdd数据
# 非k,v数据
rdd = sc.parallelize([4,7,3,2,8])
#在spark中使用元组表示k,v数据
rdd2 = sc.parallelize([('张三',90),('李四',70),('王五',99)])

# 数据排序
rdd3 = rdd.sortBy(lambda x: x)
rdd4 = rdd.sortBy(lambda x: x,ascending=False)

#k,V数据排序
rdd5 = rdd2.sortBy(lambda x: x[1],ascending=False)
rdd6 = rdd2.sortBy(lambda x: x[1])

#查看结果
res = rdd3.collect()
print(res)

res2 = rdd4.collect()
print(res2)

res3 = rdd5.collect()
print(res3)

res4 = rdd6.collect()
print(res4)

运行结果：

2.8 k-v数据[(k,v),(k1,v1)]

• groupByKey()
  • rdd.groupByKey()
• reduceByKey()
  • rdd.reduceByKey(lambda 参数1，参数2：对两个参数计算)
• sortByKey()
  • rdd.sortByKey()

#k,v结构数据处理
from pyspark import SparkContext
sc = SparkContext()
#k,v分组
# 1. 读取hdfs中的学生数据
rdd = sc.textFile('hdfs://node1:8020/data/stu.txt')
# 2. 使用转化算子进行数据处理
rdd2 = rdd.map(lambda x: x.split(','))
#将数据转为k,v结构，然后进行分组，把分组的字段作为key值
rdd3 = rdd2.map(lambda x: (x[3], x))
# 使用groupBykey方法，按key进行分组
rdd4 = rdd3.groupByKey().mapValues(lambda x: list(x))

#k,v数据计算
#统计不同性别的年龄总和 （求和  平均数  最大值  最小值  数量）
#将需要计算的数据转为k,v结构  分组的字段是key值  聚合数据是value值
rdd5 = rdd2.map(lambda x: (x[3],int(x[2])))
# 使用reduceBykey方法进行聚合计算  会将相同key值的数据先合并，然后在聚合计算
# 聚合计算的算子，lambda x,y 需要结合两个参数
rdd6 = rdd5.reduceByKey(lambda x, y: x+y)

rdd7 = rdd5.groupByKey().mapValues(lambda x: sum(list(x))/len(list(x)))
rdd8 = rdd5.groupByKey().mapValues(lambda x: max(list(x)))


res = rdd2.collect()
print(res)

res3 = rdd3.collect()
print(res3)

res4 = rdd4.collect()
print(res4)

res5 = rdd5.collect()
print(res5)

res6 = rdd6.collect()
print(res6)

res7 = rdd7.collect()
print(res7)

res8 = rdd8.collect()
print(res8)

运行结果：

3. 常用action算子

• collecct()取出RDD中所有值
  • rdd.collect()
• reduce() 非k-v类型数据累加[1,2,3,4,6]
  • rdd.reduce(lambda 参数1,参数2:两个参数计算)
• count() 统计RDD元素个数
  • rdd.count()
• take() 取出指定数量值
  • rdd.take(数量)

# action算子使用
# 触发转化算子执行
from pyspark import SparkContext

sc = SparkContext()

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

rdd_kv = sc.parallelize([('a',2),('b',3)])

# 进行转化处理

# 使用action
# 获取rdd中所有元素数据，转为列表展示
res = rdd.collect()
print(res)
# 指定取出的数据数量
res2 = rdd.take(3)
print(res2)
# 对非kv数据计算
# 求和
res3 = rdd.reduce(lambda x,y:x+y)
print(res3)
# 求数量
res4 = rdd.count()
print(res4)
# 求最大值
res5 = rdd.max()
print(res5)

res6 = rdd.mean()
print(res6)

# 将kv数据转为字典输出
res7 = rdd_kv.collectAsMap()
print(res7)

# 将rdd结果保存到hdfs 指定目录路径，指定的目录不能存在
rdd_kv.saveAsTextFile('hdfs://node1:8020/data/result')

运行结果：