Spark算子总结

Spark算子总结

spark 算子分为两类:transformation和Action

1.常用spark action

val rdd1 = sc.parallelize(List(1,2,3,4,5), 2)


collect 将rdd转化成数组(Array)

rdd1.collect


reduce 按照一定的方法将元素进行合并

val rdd2 = rdd1.reduce(_+_)


count 统计元素数量

rdd1.count


top

取最大的n个

rdd1.top(2)

对数据集进行排序,然后取出最大的两个

take

取出前i个元素,不排序

rdd1.take(2)


first(similer to take(1))

rdd1.first


takeOrdered

rdd1.takeOrdered(3)


checkpoint

由于计算过程是在内存进行,然后spill出来,每到达一个checkpoint就会将内存中的数据写入到磁盘,这个功能就是手动使其到达checkpoint

sc.setCheckpointDir("hdfs://bigdata01:9000/ck")
val rdd = sc.textFile("hdfs://bigdata01:9000/wc").flatMap(_.split("")).map((_, 1)).reduceByKey(_+_)
rdd.checkpoint
rdd.isCheckpointed
rdd.count
rdd.isCheckpointed
rdd.getCheckpointFile

2.常用 spark Transformation(即转换,延迟加载)

通过并行化scala集合创建RDD(弹性分布式数据集)

里面可以接受Array和List

val rdd1 = sc.parallelize(Array(1,2,3,4,5,6,7,8))


查看该rdd的分区数量

rdd1.partitions.length


union求并集,注意类型要一致

def union(other: RDD[T]): RDD[T]

val rdd6 = sc.parallelize(List(5,6,4,7))
val rdd7 = sc.parallelize(List(1,2,3,4))
val rdd8 = rdd6.union(rdd7)
rdd8.distinct.sortBy(x=>x).collect

intersection

def intersection(other: RDD[T], numPartitions: Int): RDD[T]
def intersection(other: RDD[T], partitioner: Partitioner)(implicit ord: Ordering[T] = null): RDD[T]
def intersection(other: RDD[T]): RDD[T]

求求出两个rdd的交集,有三个函数签名

val rdd9 = rdd6.intersection(rdd7)

会输出只含有4的rdd

join 将数据集连接聚合,有点类似数据库里面的join

必须针对键值对的数据集进行使用

val rdd1 = sc.parallelize(List(("tom", 1), ("jerry", 2), ("kitty", 3)))
val rdd2 = sc.parallelize(List(("jerry", 9), ("tom", 8), ("shuke", 7)))

val rdd3 = rdd1.join(rdd2)
val rdd3 = rdd1.leftOuterJoin(rdd2)
val rdd3 = rdd1.rightOuterJoin(rdd2)

groupByKey

val rdd3 = rdd1 union rdd2
rdd3.groupByKey
rdd3.groupByKey.map(x=>(x._1,x._2.sum))

sc.textFile("hdfs://bigdata01:9000/spark").flatMap(x=>x.split("")).map((_,1)).reduceByKey(_+_).sortBy(_._2,false).collect
sc.textFile("hdfs://bigdata01:9000/spark").flatMap(x=>x.split("")).map((_,1)).groupByKey.map(t=>(t._1, t._2.sum)).collect

cogroup

val rdd1 = sc.parallelize(List(("tom", 1), ("tom", 2), ("jerry", 3), ("kitty", 2)))
val rdd2 = sc.parallelize(List(("jerry", 2), ("tom", 1), ("shuke", 2)))
val rdd3 = rdd1.cogroup(rdd2)
val rdd4 = rdd3.map(t=>(t._1, t._2._1.sum + t._2._2.sum))

cartesian笛卡尔积

val rdd1 = sc.parallelize(List("tom", "jerry"))
val rdd2 = sc.parallelize(List("tom", "kitty", "shuke"))
val rdd3 = rdd1.cartesian(rdd2)

filter

def filter(f: (T) ⇒ Boolean): RDD[T]


map

def map[U](f: (T) ⇒ U)(implicit arg0: ClassTag[U]): RDD[U]
传进来一个函数,指示对数据集中每一个元素进行的操作

val arr1 = Array(1,2,3,4,5)
val arr2 = rdd1.map(_+1)

结果会输出Array(2,3,4,5,6)
也就是对arr1类里面的每一个元素都加上了1


mapValues

只对值进行操作,在对键值对数据集使用的时候特别方便


mapPartitions

def
mapPartitions[U](f: (Iterator[T]) ⇒ Iterator[U], preservesPartitioning: Boolean = false)(implicit arg0: ClassTag[U]): RDD[U]

map是对每个元素操作, mapPartitions是对其中的每个partition分别操作
对rdd和数据集作用

参数是Iterator类型,可以通过一个返回值为Iterator的函数,或者转化成List然后用List 的.iterator方法,通常是写函数然后传进入,就好像示例1那样


示例1:

val a = sc.parallelize(1 to 9, 3)
  def doubleFunc(iter: Iterator[Int]) : Iterator[(Int,Int)] = {
    var res = List[(Int,Int)]()
    while (iter.hasNext)
    {
      val cur = iter.next;
      res .::= (cur,cur*2)
    }
    res.iterator
  }
val result = a.mapPartitions(doubleFunc)//这里输入的是上面定义的函数,在这里不用给这个函数传参数
println(result.collect().mkString)

示例2

val rdd1= sc.parallelize(  1 to 9,2)
val rdd2  = rdd1.mapPartition(x => List(x).iterator)
rdd2.collect

mapPartitionsWithIndex

def
mapPartitionsWithIndex[U](f: (Int, Iterator[T]) ⇒ Iterator[U], preservesPartitioning: Boolean = false)(implicit arg0: ClassTag[U]): RDD[U]

与mapPartitions相似,只不过可以根据分区的索引进行处理
对rdd和数据集进行操作,返回跟原操作对象相同的对象

参数是Iterator类型,可以通过一个返回值为Iterator的函数,或者转化成List然后用List 的.iterator方法,通常是写函数然后传进入,就好像示例1那样

示例1

   var rdd1 = sc.makeRDD(1 to 5,2)
    //rdd1有两个分区
    var rdd2 = rdd1.mapPartitionsWithIndex{
            (x,iter) => {
              var result = List[String]()
                var i = 0
                while(iter.hasNext){
                  i += iter.next()
                }
                result.::(x + "|" + i).iterator

            }
          }
    //rdd2将rdd1中每个分区的数字累加,并在每个分区的累加结果前面加了分区索引
    scala> rdd2.collect
    res13: Array[String] = Array(0|3, 1|12)

示例2

def func1(index: Int, iter: Iterator[(Int)]) : Iterator[String] = {
  iter.toList.map(x =>"[partID:" +  index + ", val: " + x + "]").iterator
}
val rdd1 = sc.parallelize(List(1,2,3,4,5,6,7,8,9), 2)
rdd1.mapPartitionsWithIndex(func1).collect

aggregate

聚合

是action操作, 第一个参数是初始值zerovalue, 第二个参数是2个函数 ,每个函数都是2个参数 。第一个函数先对各个分区进行合并, 第二个函数对各个分区合并后的结果再进行合并),

val rdd1= sc.parallelize( 1 to 9,2)

rdd1.aggregate(0)(+, +)

这个语句执行的时候,其实是这样的 0 + (0+(1+2+3+4)) + (0+(5+6+7+8+9))
第一个参数zerovalue在这里为0,也就是每次执行函数的时候,首先将每个分区里面的所有数字加起来:(1+2+3+4),此时每个分区结果还要和zerovalue 0 来进行运算,变成 0+(1+2+3+4),0+(5+6+7+8+9),然后执行第二个函数,将分区结果再相加:
0+(1+2+3+4)+ 0+(5+6+7+8+9),此时还要和zerovalue 进行运算,变成0+ (0+(1+2+3+4)+ 0+(5+6+7+8+9))
执行完后输出的结果是Int=45

rdd1.aggregate(1)(_-_,_+_)

这条语句执行完后输出的结果是-42,这个和上一个一对比就能明显的知道执行的过程了,先对每一个分区里的所有元素进行运算(-1-2-3-4),(-5-6-7-8-9),然后每个分区要和zerovalue 1 进行运算,这里用的运算函数是第二个函数,因为已经得到每个分区结果了,使用+对分区结果进行合并,也就是1+(-1-2-3-4)+1+(-5-6-7-8-9),最后和zerovalue 进行运算 1+1+(-1-2-3-4)+1+(-5-6-7-8-9) 也就是-42

总结:对分区内每个元素进行运算,用第一个函数,然后和zerovalue进行运算(用第二个函数),然后对分区结果进行合并,用第二个函数。

rdd1.aggregate(0)(math.max(_, _), _ + _)
这句就比较好理解了,求出每个分区最大的元素,然后把每个分区最大的元素相加,输出结果是13 (4+9)

rdd1.aggregate(5)(math.max(_, _), _ + _)
5和1比, 得5再和234比得5 –> 5和6789比,得9 –> 5 + (5+9)

下面是其他一些例子

val rdd2 = sc.parallelize(List("a","b","c","d","e","f"),2)

rdd2.aggregate("")(_ + _, _ + _)
rdd2.aggregate("=")(_ + _, _ + _)

val rdd3 = sc.parallelize(List("12","23","345","4567"),2)
rdd3.aggregate("")((x,y) => math.max(x.length, y.length).toString, (x,y) => x + y)

val rdd4 = sc.parallelize(List("12","23","345",""),2)
rdd4.aggregate("")((x,y) => math.min(x.length, y.length).toString, (x,y) => x + y)

val rdd5 = sc.parallelize(List("12","23","","345"),2)
rdd5.aggregate("")((x,y) => math.min(x.length, y.length).toString, (x,y) => x + y)

aggregateByKey

针对键值对的列表使用,根据键来进行聚合,先进行聚合,然后进行函数操作

val pairRDD = sc.parallelize(List( (“cat”,2), (“cat”, 5), (“mouse”, 4),(“cat”, 12), (“dog”, 12), (“mouse”, 2)), 2)
pairRDD.aggregateByKey(0)(math.max(_, _), _ + _).collect

在这里会根据每个分区内的每个键值对的键进行聚合,变成 List((“cat”,19),(“mouse”,6),(“dog”,12))


repartition(numPartitions:Int):RDD[T] coalesce(numPartitions:Int,shuffle:Boolean=false):RDD[T]

对RDD的分区进行重新划分,repartition只是coalesce接口中shuffle为true的简易实现

val rdd1 = sc.parallelize(1 to 10, 10)
val rdd2 = rdd1.coalesce(2, false)
rdd2.partitions.length

如果新分区的数量与原分区相差不大,就不需要shuffle,也就是把shuffle设为false


collectAsMap : Map(b -> 2, a -> 1)

val rdd = sc.parallelize(List(("a", 1), ("b", 2)))
rdd.collectAsMap

combineByKey

def combineByKey[C](
createCombiner: V => C,
mergeValue: (C, V) => C,
mergeCombiners: (C, C) => C,
partitioner: Partitioner,
mapSideCombine: Boolean = true,
serializer: Serializer = null)
一共有6个参数。如下解释下3个重要的函数参数:
createCombiner: V => C ,这个函数把当前的值作为参数,此时我们可以对其做些附加操作(类型转换)并把它返回 (这一步类似于初始化操作)
mergeValue: (C, V) => C,该函数把元素V(下一个将要处理的值)合并到之前的元素C(createCombiner)上 (这个操作在每个分区内进行,对分区内部的元素进行操作)
mergeCombiners: (C, C) => C,该函数把2个元素C(两个分区的已经合并的元素)合并 (这个操作在不同分区间进行)

每个分区中每个key中value中的第一个值, (hello,1)(hello,1)(good,1) –> (hello(1,1),good(1)) –> x就相当于hello的第一个1, good中的1

示例1:

val rdd1 = sc.textFile(“hdfs://bigdata01:9000/spark/”).flatMap(_.split(“”)).map((_, 1))
val rdd2 = rdd1.combineByKey(x => x, (a: Int, b: Int) => a + b, (m: Int, n: Int) => m + n)
rdd1.collect
rdd2.collect

示例2

val rdd3 = rdd1.combineByKey(x => x + 10, (a: Int, b: Int) => a + b, (m: Int, n: Int) => m + n)
rdd3.collect

val rdd4 = sc.parallelize(List("dog","cat","gnu","salmon","rabbit","turkey","wolf","bear","bee"), 3)
val rdd5 = sc.parallelize(List(1,1,2,2,2,1,2,2,2), 3)
val rdd6 = rdd5.zip(rdd4)
val rdd7 = rdd6.combineByKey(List(_), (x: List[String], y: String) => x :+ y, (m: List[String], n: List[String]) => m ++ n)

countByKey

统计数据集中每个Key有多少个键值对
针对键值对的数据集


filterByRange

获取数据集中key为某一个范围内的元素
作用于rdd 传入key的开始和结束值

val rdd1 = sc.parallelize(List((“e”, 5), (“c”, 3), (“d”, 4), (“c”, 2), (“a”, 1)))
val rdd2 = rdd1.filterByRange(“b”, “d”)
rdd2.collect


flatMapValues

将键值对中的值扁平化

val rdd3 = sc.parallelize(List((“a”, “1 2”), (“b”, “3 4”),(“a”, “1 6”)))
val rdd4 = rdd3.flatMapValues(_.split(“”))
rdd4.collect

输出结果为:Array[(String, String)] = Array((a,1), (a,” “), (a,2), (b,3), (b,” “), (b,4), (a,1), (a,” “), (a,6))


foldByKey(初始值)(操作函数)

将键值对根据相同的键值进行折叠
第一个参数是一个zerovalue,定义对键的初始操作,第二个参数为函数,可以定义如何进行折叠

val rdd1 = sc.parallelize(List(“dog”, “wolf”, “cat”, “bear”), 2)
val rdd2 = rdd1.map(x => (x.length, x))
val rdd3 = rdd2.foldByKey(” “)(_+_).collect
输出为 Array((3,2),(4,2))这样的数组


foreachPartition(操作函数)

可以对每个分区单独操作,比如将一个分区里面的元素全部累加等

val rdd1 = sc.parallelize(List(1, 2, 3, 4, 5, 6, 7, 8, 9), 3)
rdd1.foreachPartition(x => println(x.reduce(_ + _)))
输出为类似 6 12 24 这样的


keyBy : 以传入的参数做key

val rdd1 = sc.parallelize(List("dog", "salmon", "salmon", "rat", "elephant"), 3)
val rdd2 = rdd1.keyBy(_.length)
rdd2.collect 

keys values
val rdd1 = sc.parallelize(List("dog", "tiger", "lion", "cat", "panther", "eagle"), 2)
val rdd2 = rdd1.map(x => (x.length, x))
rdd2.keys.collect
rdd2.values.collect

zip

def zip[U](other: RDD[U])(implicit arg0: ClassTag[U]): RDD[(T, U)]
zip函数用于将两个RDD组合成Key/Value形式的RDD,这里默认两个RDD的partition数量以及元素数量都相同,否则会抛出异常

rdd1.zip(rdd2) 则rdd1的元素将会作为Key,rdd2的元素将会作为value

 scala> var rdd1 = sc.makeRDD(1 to 10,2)  
rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[0] at makeRDD at :21  

scala> var rdd1 = sc.makeRDD(1 to 5,2)  
rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[1] at makeRDD at :21  

scala> var rdd2 = sc.makeRDD(Seq("A","B","C","D","E"),2)  
rdd2: org.apache.spark.rdd.RDD[String] = ParallelCollectionRDD[2] at makeRDD at :21  

scala> rdd1.zip(rdd2).collect  
res0: Array[(Int, String)] = Array((1,A), (2,B), (3,C), (4,D), (5,E))             

scala> rdd2.zip(rdd1).collect  
res1: Array[(String, Int)] = Array((A,1), (B,2), (C,3), (D,4), (E,5))  

scala> var rdd3 = sc.makeRDD(Seq("A","B","C","D","E"),3)  
rdd3: org.apache.spark.rdd.RDD[String] = ParallelCollectionRDD[5] at makeRDD at :21  

scala> rdd1.zip(rdd3).collect  
java.lang.IllegalArgumentException: Can't zip RDDs with unequal numbers of partitions  
//如果两个RDD分区数不同,则抛出异常  
发布了60 篇原创文章 · 获赞 81 · 访问量 15万+
展开阅读全文

没有更多推荐了,返回首页

©️2019 CSDN 皮肤主题: 编程工作室 设计师: CSDN官方博客

分享到微信朋友圈

×

扫一扫,手机浏览