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类型。
一、Value类型
1.1 map
函数签名:def map[U: ClassTag](f: T => U): RDD[U]
函数说明: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
val sparkConf = new SparkConf().setMaster("local").setAppName("RDDTest")
val sc = new SparkConantext(sparkConf)
val rdd1: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4), 2)
val rdd2 = rdd1.map(x => {
println("first ==> " + x)
x
})
rdd2.map(x => {
println("second ==>" + x)
x
}).collect()
sc.stop()
输出:
A ==> 2
A ==> 1
B ==>2
B ==>1
A ==> 3
B ==>3
多次测试,我们可以得出结论:分区内数据是按照顺序依次执行,第一条数据所有逻辑全部执行完毕后才会执行下一条数据;分区间数据执行没有顺序,而且无需等待。
1.2 mapPartitions
函数签名:
def mapPartitions[U: ClassTag](
f: Iterator[T] => Iterator[U],
preservesPartitioning: Boolean = false): RDD[U]
函数说明: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
val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4), 2)
rdd.mapPartitions(iter => {
iter.foreach(println)
iter
}).collect()
1.3 mapPartitionsWithIndex
函数签名:
def mapPartitionsWithIndex[U: ClassTag](
f: (Int, Iterator[T]) => Iterator[U],
preservesPartitioning: Boolean = false): RDD[U]
函数说明: 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
val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3), 2)
rdd.mapPartitionsWithIndex((index, iter) => {
println("当前分区:"+index)
iter.foreach(t => println(index + "->" + t))
iter
}).collect()
打印:
当前分区:0
0->1
当前分区:1
1->2
1->3
1.4 flatMap
函数签名:def flatMap[U: ClassTag](f: T => TraversableOnce[U]): RDD[U]
函数说明: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
/** 统计字母出现的次数第一步:扁平化操作 */
val rdd: RDD[String] = sc.makeRDD(List("1 a", "2 b", "3 c"), 2)
rdd.flatMap(t => {
val char = t.split(" ")(1)
char.map((_, 1))
}).collect().foreach(println)
打印:
(a,1)
(b,1)
(c,1)
1.5 glom
函数签名:def glom(): RDD[Array[T]]
函数说明: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
/** 求分区内最大值 */
val rdd: RDD[Int] = sc.parallelize(List(1, 2, 3, 5, 4, 6), 3)
rdd.glom().collect().foreach(iter => println("分区内最大值" + iter.max))
打印:
分区内最大值:2
分区内最大值:5
分区内最大值:6
1.6 groupBy
函数签名:def groupBy[K](f: T => K)(implicit kt: ClassTag[K]): RDD[(K, Iterable[T])]
函数说明: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
val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 5, 4, 6), 3)
rdd.groupBy(t => t % 2).collect().foreach(println)
打印:
(0,CompactBuffer(2, 4, 6))
(1,CompactBuffer(1, 3, 5))
1.7 filter
函数签名:def filter(f: T => Boolean): RDD[T]
函数说明: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。
val rdd: RDD[Int] = sc.makeRDD(List(0, 0, 0, 1, 1, 1), 2)
rdd.filter(t => t == 0).saveAsTextFile("output")
查看保存文件:此时已发生数据倾斜
1.8 sample
函数签名:
def sample(
withReplacement: Boolean,
fraction: Double,
seed: Long = Utils.random.nextLong): RDD[T]
参数说明:
- 第一个参数:抽取的数据是否放回
- 第二个参数:抽取的几率,范围在[0,1]之间,0:全不取;1:全取;
- 第三个参数:随机数种子,添加随机数种子生产的随机数都是伪随机,都是固定值
函数说明:根据指定的规则从数据集中抽取数据
作用:在实际开发中,往往会出现数据倾斜的情况,那么可以从数据倾斜的分区中抽取数据,查看数据的规则,分析后,可以进行改善处理,让数据更加均匀
val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4, 5), 1)
/**
* 伯努利算法(抽取数据不放回)
*/
rdd.sample(false, 0.5).collect().foreach(t => print(t + " "))
println()
/**
* 泊松算法(抽取数据放回)
*/
rdd.sample(true, 0.5).collect().foreach(t => print(t + " "))
打印:
3 5
1 2 2 3
1.9 distinct
函数签名:
def distinct()(implicit ord: Ordering[T] = null): RDD[T]
def distinct(numPartitions: Int)(implicit ord: Ordering[T] = null): RDD[T]
函数说明:将数据集中重复的数据去重
val rdd: RDD[Int] = sc.makeRDD(List(0, 0, 0, 1, 1, 1), 1)
rdd.distinct().saveAsTextFile("output")
//将去重后数据进行分区
rdd.distinct(2).saveAsTextFile("output2")
1.10 coalesce
函数签名:
def coalesce(numPartitions: Int, shuffle: Boolean = false,
partitionCoalescer: Option[PartitionCoalescer] = Option.empty)
(implicit ord: Ordering[T] = null)
: RDD[T]
参数说明:
- 第一个参数:分区数
- 第二个参数:是否
shuffle
函数说明: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。
作用: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
val rdd: RDD[Int] = sc.makeRDD(List(0, 0, 0, 1, 1, 1), 3)
rdd.filter(t => t == 0).saveAsTextFile("output")
rdd.filter(t => t == 0).coalesce(2,true).saveAsTextFile("output2")
1.11 repartition
函数签名:def repartition(numPartitions: Int)(implicit ord: Ordering[T] = null): RDD[T]
函数说明: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。
coalesce和repartition对比:repartition
方法其实就是coalesce
方法,只不过肯定使用了shuffle
操作。让数据更均衡一些,可以有效防止数据倾斜问题。如果缩减分区,一般就采用coalesce
,如果扩大分区,就采用repartition
val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4, 5), 2)
rdd.repartition(3).saveAsTextFile("output")
1.12 sortBy
函数签名:
def sortBy[K](
f: (T) => K,
ascending: Boolean = true,
numPartitions: Int = this.partitions.length)
(implicit ord: Ordering[K], ctag: ClassTag[K]): RDD[T]
参数说明:
- 第一个参数:排序函数
- 第二个参数:是否正序排序
- 第三个参数:分数数
函数说明: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,默认为正序排列。排序后新产生的RDD
的分区数与原RDD
的分区数一致。
val rdd: RDD[Int] = sc.makeRDD(List(5, 3, 4, 1, 2), 2)
rdd.sortBy(t => t, false, 3).saveAsTextFile("output")
二、双Value类型
2.1 intersection
函数签名:def intersection(other: RDD[T]): RDD[T]
函数说明:对源RDD
和参数RDD
求交集后返回一个新的RDD
val rdd1 = sc.makeRDD(List(1, 2, 3, 4))
val rdd2 = sc.makeRDD(List(3, 4, 5, 6))
val newRdd = rdd1.intersection(rdd2)
newRdd.collect().foreach(println)
打印:
4
3
2.2 union
函数签名:def union(other: RDD[T]): RDD[T]
函数说明:对源RDD
和参数RDD
求并集后返回一个新的RDD
val sc = new SparkContext(sparkConf)
val rdd1 = sc.makeRDD(List(1, 2))
val rdd2 = sc.makeRDD(List(2, 3))
val newRdd = rdd1.union(rdd2)
newRdd.collect().foreach(println)
打印:
1
2
2
3
2.3 subtract
函数签名:def subtract(other: RDD[T]): RDD[T]
函数说明: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
val rdd1 = sc.makeRDD(List(1, 2, 3, 4))
val rdd2 = sc.makeRDD(List(3, 4, 5, 6))
val newRdd = rdd1.subtract(rdd2)
newRdd.collect().foreach(println)
打印:
1
2
2.4 zip
函数签名:def zip[U: ClassTag](other: RDD[U]): RDD[(T, U)]
函数说明: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
中的元素。
val rdd1 = sc.makeRDD(List(1, 2, 3))
val rdd2 = sc.makeRDD(List(3, 4, 5))
val newRdd = rdd1.zip(rdd2)
newRdd.collect().foreach(println)
打印:
(1,3)
(2,4)
(3,5)
如果两个RDD
数据类型不一致怎么办? 正常
如果两个RDD
数据分区不一致怎么办?报错can't zip RDDs with unequal numbers of partitions
如果两个RDD
分区数据数量不一致怎么办? 报错Can only zip RDDs with same number of elements in each partition
三、Key-Value类型
3.1 partitionBy
函数签名:def partitionBy(partitioner: Partitioner): RDD[(K, V)]
函数说明:将数据按照指定Partitioner
重新进行分区。Spark
默认的分区器是HashPartitioner
val rdd = sc.makeRDD(List((2, "b"), (1, "a"), (3, "c")), 1)
val newRdd = rdd.partitionBy(new HashPartitioner(2))
newRdd.saveAsTextFile("output")
如果重分区的分区器和当前RDD
的分区器一样怎么办? 不进行任何处理,不会再次重分区
Spark
还有其他分区器吗? SortBy
默认使用RangePartitioner
如果想按照自己的方法进行数据分区怎么办?自定义分区器,如下:
class MyPartitioner(num: Int) extends Partitioner {
override def numPartitions: Int = num
override def getPartition(key: Any): Int = {
key match {
case "1" => 0
case _ => 1
}
}
}
3.2 reduceByKey
函数签名:
def reduceByKey(func: (V, V) => V): RDD[(K, V)]
def reduceByKey(func: (V, V) => V, numPartitions: Int): RDD[(K, V)]
函数说明: 可以将数据按照相同的Key
对Value
进行聚合
val rdd = sc.makeRDD(List(("a", 1), ("b", 1), ("a", 1)), 1)
rdd.reduceByKey(_ + _).foreach(println)
rdd.reduceByKey(_ + _,2).foreach(println)
打印:
(a,2)
(b,1)
(a,2)
(b,1)
3.3 groupByKey
函数签名:
def groupByKey(): RDD[(K, Iterable[V])]
def groupByKey(numPartitions: Int): RDD[(K, Iterable[V])]
def groupByKey(partitioner: Partitioner): RDD[(K, Iterable[V])]
函数说明: 将分区的数据直接转换为相同类型的内存数组进行后续处理
val rdd = sc.makeRDD(List(("a", 1), ("b", 1), ("a", 1)), 1)
val newRdd: RDD[(String, Iterable[Int])] = rdd.groupByKey()
newRdd.map(t => (t._1, t._2.size)).foreach(println)
打印:
(a,2)
(b,1)
3.4 aggregateByKey
函数签名:
def aggregateByKey[U: ClassTag](zeroValue: U)(seqOp: (U, V) => U,
combOp: (U, U) => U): RDD[(K, U)]
函数说明: 将数据根据不同的规则进行分区内计算和分区间计算
/**
* 取出每个分区内相同 key 的最大值然后分区间相加
*/
val rdd = sc.makeRDD(List(("a", 1), ("a", 2), ("c", 3),
("b", 1), ("b", 2), ("c", 3)
), 2)
val newRdd = rdd.aggregateByKey(0)(
(x, y) => math.max(x, y),
(x, y) => x + y)
println(newRdd.collect().mkString(","))
3.5 foldByKey
函数签名:def foldByKey(zeroValue: V)(func: (V, V) => V): RDD[(K, V)]
函数说明: 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
val rdd = sc.makeRDD(List(("a", 1), ("a", 2), ("c", 3),
("b", 1), ("b", 2), ("c", 4)
), 2)
/**
* (a,2),(c,3) } (a,2)
* (b,2),(c,4) } (b,2)(c,4)
*/
val newRdd = rdd.foldByKey(0)(
(x, y) => math.max(x, y))
println(newRdd.collect().mkString(","))
打印:
(b,2),(a,2),(c,4)
3.6 combineByKey
函数签名:
def combineByKey[C](
createCombiner: V => C,
mergeValue: (C, V) => C,
mergeCombiners: (C, C) => C): RDD[(K, C)]
参数说明:
- 第一个参数:将计算的第一个值转换结构
- 第二个参数:分区内计算规则
- 第三个参数:分区间计算规则
函数说明: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。
/** 求每个key的平均值 */
val rdd = sc.makeRDD(List(("a", 88), ("b", 95), ("a", 91),
("b", 93), ("a", 95), ("b", 98)), 2)
val newRdd = rdd.combineByKey((_, 1),
(temp: (Int, Int), v) => (temp._1 + v, temp._2 + 1),
(t1: (Int, Int), t2: (Int, Int)) => (t1._1 + t2._1, t1._2 + t2._2)
)
val resultRdd = newRdd.map(t => (t._1, t._2._1 / t._2._2))
println(resultRdd.collect().mkString(","))
打印:
(b,95),(a,91)
3.7 sortByKey
函数签名: def sortByKey(ascending: Boolean = true, numPartitions: Int = self.partitions.length) : RDD[(K, V)]
函数说明:在一个(K,V)
的RDD
上调用,K
必须实现Ordered
接口,返回一个按照key
进行排序的
val rdd = sc.makeRDD(List(("a", 1), ("c", 2), ("b", 3)))
val newRdd1 = rdd.sortByKey(true)
val newRdd2 = rdd.sortByKey(false)
println(newRdd1.collect().mkString(","))
println(newRdd2.collect().mkString(","))
打印:
(a,1),(b,3),(c,2)
(c,2),(b,3),(a,1)
设置key
为自定义类:
class Stu extends Ordered[Stu]{
override def compare(that: Stu): Int = {
1
}
}
3.8 join
函数签名: def join[W](other: RDD[(K, W)]): RDD[(K, (V, W))]
函数说明: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
val rdd7 = sc.makeRDD(List(("a", "a"), ("b", "b"),("c", "c")))
val rdd8 = sc.makeRDD(List(("a", 1), ("b", 2)))
rdd7.join(rdd8).collect().foreach(println)
打印:
(a,(a,1))
(b,(b,2))
如果key
存在不相等呢?
如果key
不相等,对应的数据无法连接,如果key
有重复的,那么数据会多次连接
3.9 leftOuterJoin
函数签名: def leftOuterJoin[W](other: RDD[(K, W)]): RDD[(K, (V, Option[W]))]
函数说明:类似于SQL
语句的左外连接
val rdd1 = sc.makeRDD(List(("a", 1), ("b", 2),("c", 3)))
val rdd2 = sc.makeRDD(List(("a", 1), ("b", 2)))
val newRdd = rdd1.leftOuterJoin(rdd2)
newRdd.collect().foreach(println)
打印:
(a,(1,Some(1)))
(b,(2,Some(2)))
(c,(3,None))
3.10 cogroup
函数签名: def cogroup[W](other: RDD[(K, W)]): RDD[(K, (Iterable[V], Iterable[W]))]
函数说明:在类型为(K,V)
和(K,W)
的RDD
上调用,返回一个(K,(Iterable<V>,Iterable<W>))
类型的RDD
val rdd1 = sc.makeRDD(List(("a", 1), ("b", 2),("c", 3),("c", 4)))
val rdd2 = sc.makeRDD(List(("a", 1), ("b", 2), ("b", 3)))
val newRdd = rdd1.cogroup(rdd2)
newRdd.collect().foreach(println)
打印:
(a,(CompactBuffer(1),CompactBuffer(1)))
(b,(CompactBuffer(2),CompactBuffer(2, 3)))
(c,(CompactBuffer(3, 4),CompactBuffer()))
四、案例实操
需求描述: 统计出每一个省份每个广告被点击数量排行的Top3
需求分析:
功能实现:
val sparkConf = new SparkConf().setMaster("local").setAppName("RDDDemo")
val sc = new SparkContext(sparkConf)
//1.读取数据
val lines: RDD[String] = sc.textFile("input/agent.log")
//2.将数据转换成我们想要的数据
val effectData = lines.map(line => {
val words = line.split(" ")
((words(1), words(4)), 1)
})
//3.reduceByKey累加
val calculateData = effectData.reduceByKey(_ + _)
//4.对数据进行映射
val newData = calculateData.map(t => (t._1._1, (t._1._2, t._2)))
//5.根据省份进行分组
val testData = newData.groupByKey()
//6.排序并取前三位数据
val resultData = testData.mapValues(iter => {
iter.toList.sortWith((left, right) => {
left._2 > right._2
}).take(3)
})
resultData.collect().foreach(println)