文章目录
1、Transform算子
1.1 map
package com.shujia.core
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
/**
* @return :danzhu努力学bigdata
*
* 1、转换算子:由一个RDD变成另一个RDD,是RDD之间的转换,是懒执行的
*
* 2、行为算子:由一个RDD调用,但是最后没有返回新的RDD,而是返回了其他数据类型
* 行为算子可以触发任务的执行,每个actions 算子都会触发一个任务
*
*/
object SparkRDDMap {
def main(args: Array[String]): Unit = {
/**
* map算子
*/
//创建spark的上下文环境
val conf: SparkConf = new SparkConf()
conf.setAppName("SparkRDDdemo1")
conf.setMaster("local")
val sc: SparkContext = new SparkContext(conf)
/**
* RDD的创建方式:
* 1、通过textFile读取文件
* 2、通过集合创建RDD(一般用于测试)
*/
//textFile是读取文件的RDD形式,parallelize是创建一个list集合的方式
/**
* map是转换算子,是懒执行的,
*需要接收一个函数f:参数为RDD中的泛型,返回值类型自定
* 会将每一条数据一次传给函数f进行转换
* 最终整个map方法完成后会返回一个新的RDD
*
*/
val listRDD: RDD[Int] = sc.parallelize(List(1, 2, 3, 4, 5, 6, 7, 8, 9))
/**
* 在算子的外部是在driver端运行的,而在算子内部是在executor端执行的
*/
//println("map之前")
val mapRDD: RDD[Int] = listRDD.map(i => {
println("i的值" + i)
i * 20
})
//println("map之后")
// mapRDD.foreach(println)
// listRDD.foreach(println)
val JiShuRDD: RDD[Int] = listRDD.filter(i => {
var flag: Boolean = false
if (i % 2 == 1) {
flag = true
}
flag
})
JiShuRDD.foreach(println)
while (true){
}
}
}
1.2 flatmap
package com.shujia.core
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
import scala.collection.mutable
/**
* @return :danzhu努力学bigdata
*/
object SparkRDDFlatmap {
def main(args: Array[String]): Unit = {
/**
* flatmap算子:转换算子
*
* 需要接受一个函数f:参数类型同RDD中的泛型,返回值类型是集合、数组、序列、迭代器(数据容器)
* 会将每一条数据依次传递给函数f进行转换,还会将函数f返回的数据容器进行扁平化处理(展开)
* 得到一个新的RDD
*/
//创建上下文环境
val conf: SparkConf = new SparkConf()
conf.setAppName("SparkRDDFlatmap")
conf.setMaster("local")
val sc: SparkContext = new SparkContext(conf)
val lineRDD: RDD[String] = sc.parallelize(List("java,java,scala,python","hadoop,hive,hbase","spark,filk,MapReduce"))
val splitsRDD: RDD[String] = lineRDD.flatMap(word => {
word.split(",")
})
val groupByRDD: RDD[(String, Iterable[String])] = splitsRDD.groupBy(word=>word)
val wordcountRDD : RDD[(String, Int)] = groupByRDD.map(kv => {
val key: String = kv._1
val value: Iterable[String] = kv._2
val size: Int = value.size
(key, size)
})
wordcountRDD.foreach(println)
groupByRDD.foreach(println)
splitsRDD.foreach(println)
lineRDD.foreach(println)
}
}
1.3 groupBy和groupBykey
package com.shujia.core
import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.rdd.RDD
/**
* @return :danzhu努力学bigdata
*/
object SparkRDDGroupBy {
def main(args: Array[String]): Unit = {
/**
* groupBy:转换算子:需要制定按什么排名
*
*
*/
//创建spark上下文的环境
val conf: SparkConf = new SparkConf()
conf.setAppName("SparkRDDGroupBy")
conf.setMaster("local")
val sc: SparkContext = new SparkContext(conf)
//读取students数据
val lineRDD: RDD[String] = sc.textFile("spark/data/stu/students.txt")
//统计班级人数
val clazzRDD: RDD[(String, Int)] = lineRDD.map(line => (line.split(",")(4), 1))
//clazzRDD.foreach(println)
//按班级分组
val groupRDD: RDD[(String, Iterable[(String, Int)])] = clazzRDD.groupBy(kv => kv._1)
// groupRDD.foreach(println)
//统计班级人数
val sum_clazzRDD: RDD[(String, Int)] = groupRDD.map {
case (key: String, iter: Iterable[(String, Int)]) => {
val clazz_sum: Int = iter.map(lin => lin._2).sum
(key, clazz_sum)
}
}
//sum_clazzRDD.foreach(println)
/**
* groupBykey:转换算子
*
* 分区类算子:分区类算子只能作用在k-v格式的RDD上
*
* 在当前程序中,lineRDD不是K-V格式,所以没有groupBykey算子
* groupBykey算子默认按照key进行分组结果同groupBy类似担忧细微的差异
* 这两个group算子都会返回kv格式
* k:指定的分组字段(groupBy)、k-v格式的RDD的key(groupBykey)
* V:符合相同分组条件的一个整体(groupBy),只会返回value(groupBykey)
*/
val groupByKeyRDD: RDD[(String, Iterable[Int])] = clazzRDD.groupByKey()
groupByKeyRDD.map(kv=>(kv._1,kv._2.sum)).foreach(println)
}
}
1.4 filter
package com.shujia.core
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
/**
*
* @return :danzhu努力学bigdata
*/
object SparkRDDFilter{
def main(args: Array[String]): Unit = {
/**
* filter:转换算子
* 需要接收一个函数f:餐胡类型同RDD中的泛型,返回值类型时Boolean类型
* 会根据函数f的返回值对数据进行过滤
* 如果返回true则保留数据,返回false则将数据过滤
*/
//创建Spark上下环境
val conf: SparkConf = new SparkConf()
conf.setAppName("SparkRDDFilter")
conf.setMaster("local")
val sc: SparkContext = new SparkContext(conf)
//读取students数据
val lineRDD: RDD[String] = sc.textFile("spark/data/stu/students.txt")
//过滤除理科班学生
lineRDD.filter(line=>{
val splits: Array[String] = line.split(",")
//startsWith是字符串中以某某为前缀的方法
splits(4).startsWith("理科")
}).foreach(println)
}
}
1.5 Mappartitions
package com.shujia.core
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
/**
* @return :danzhu努力学bigdata
*/
object SparkRDDMappartitions {
def main(args: Array[String]): Unit = {
/**
* Mappartitions:转换算子
*
*/
//创建上下文的环境
val conf: SparkConf = new SparkConf()
conf.setAppName("SparkRDDMappartitions")
conf.setMaster("local")
val sc: SparkContext = new SparkContext(conf)
val lineRDD: RDD[String] = sc.textFile("spark/data/words")
//对每一个分区的数据进行处理,这里有三份文件,既有三个分区,每一个分区至少对应一个task
//适用于在算子内部需要跟外部数据源建立连接的情况
//通过mapPartitions这种方式可以减少连接创建的次数,顺便提高运行效率
/**
* 使用迭代器是因为迭代器只能迭代一次就没有了(自动消失),而list可以迭代多次,
* list在内存里,迭代器是要用的时候才会有,所以不会占用内存过多
*
*/
lineRDD.mapPartitions((iter: Iterator[String]) => {
println("map partitions") //打印三次
//迭代器也有map等方法
iter.flatMap(line => {
line.split(",")
})
}).foreach(println)
//对每一条数据进行处理,假设有N条数据
//如果需要在map中例如去请求mysql的数据(一般创建连接是为了获取数据),那么会与mysql建立N次连接
//会导致运行效率较低,甚至会导致mysql建立的连接数达到上限,出现性能问题
lineRDD.map(line => {
println("map")
val strings: Array[String] = line.split(",")
strings
}).foreach(println)
lineRDD.mapPartitionsWithIndex((index,iter)=>{
println("当前的分区索引:"+index)
iter.flatMap(line=>line.split(",0"))
}).foreach(println)
}
}
1.6 mapValues
package com.shujia.core
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
/**
*
* @return :danzhu努力学bigdata
*/
object SparkRDDMapvalues {
def main(args: Array[String]): Unit = {
//创建spark上下文的环境
val conf: SparkConf = new SparkConf()
conf.setAppName("SparkRDDGroupBy")
conf.setMaster("local")
val sc: SparkContext = new SparkContext(conf)
//只能作用在k-v格式的RDD上,相当于对values进行遍历
val rdd: RDD[(String, Int)] = sc.parallelize(List(("张三",1),("李四",2),("王五",3)))
rdd.mapValues(i=>i*i).foreach(println)
}
}
1.7 sort
package com.shujia.core
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
/**
*
* @return :danzhu努力学bigdata
*/
object SparkRDDsort {
def main(args: Array[String]): Unit = {
//创建spark上下文的环境
val conf: SparkConf = new SparkConf()
conf.setAppName("SparkRDDGroupBy")
conf.setMaster("local")
val sc: SparkContext = new SparkContext(conf)
val stuRDD: RDD[String] = sc.textFile("spark/data/stu/students.txt")
//按照年龄排序,倒序
//ascending 默认升序排序
stuRDD.sortBy(stu=>stu.split(",")(2),ascending = false)
.foreach(println)
}
}
1.8 simple
package com.shujia.core
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
/**
*
* @return :danzhu努力学bigdata
*/
object SparkRDDSample {
def main(args: Array[String]): Unit = {
/**
* sample:转换算子
* withReplacement:有无放回
* fraction:抽样比例(最终抽样出来的数据量大致等于抽样比例)
*
*/
//创建spark上下文环境
val conf: SparkConf = new SparkConf()
conf.setAppName("SparkRDDSimple")
conf.setMaster("local")
val sc: SparkContext = new SparkContext(conf)
val lineRDD: RDD[String] = sc.textFile("spark/data/stu/students.txt")
val sampleRDD: RDD[String] = lineRDD.sample(false, 0.2)
sampleRDD.foreach(println)
}
}
1.9 union
package com.shujia.core
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
/**
* @return :danzhu努力学bigdata
*/
object SparkRDDUnion {
def main(args: Array[String]): Unit = {
//创建spark上下文的环境
val conf: SparkConf = new SparkConf()
conf.setAppName("SparkRDDGroupBy")
conf.setMaster("local")
val sc: SparkContext = new SparkContext(conf)
//通过集合创建RDD
/**
* union:转换算子
*/
//两个RDD union格式必须一致
val rdd1: RDD[Int] = sc.parallelize(List(1,2,3,4,5,6))
val rdd2: RDD[Int] = sc.parallelize(List(4,5,6,7,8,9))
rdd1.union((rdd2)).foreach(println)
}
}
2、 Actions算子
2.1 count,collect,reduce,save,lookup
package com.shujia.core
import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.rdd.RDD
/**
*
* @return :danzhu努力学bigdata
*/
object SparkRDDAction {
def main(args: Array[String]): Unit = {
//创建spark上下文的环境
val conf: SparkConf = new SparkConf()
conf.setAppName("SparkRDDGroupBy")
conf.setMaster("local")
val sc: SparkContext = new SparkContext(conf)
//读取students、scores数据
val stuRDD: RDD[String] = sc.textFile("spark/data/stu/students.txt")
//foreach 没有返回值,会触发job
//需要接收一个函数f:参数为RDD中的泛型,返回值类型为Unit
stuRDD.foreach(println)
/**
* count:行为算子
* 统计RDD中的数据
* 注意:RDD中不保存数据,RDD只是spark的一种编程模型
*
*/
println(stuRDD.count())
/**
* collect:行为算子。将RDD 中的数转换为scala中的数组
*/
/**
* 在一个RDD中不能直接使用另一个RDD
* 1、RDD是一个抽象的编程模型,没有实现序列化的
* 2、如果在Task中使用另一个RDD,那么这个RDD的转换以及Action由谁进行调度和申请资源呢
*
*/
val stuArr: Array[String] = stuRDD.collect()
val blackListRDD: RDD[String] = sc.parallelize(List("1500100001","1500100007","1500100009"))
//我们可以在算子外部先调用collect方法然后再算子内部调用
val ListRDD: Array[String] = blackListRDD.collect()
stuRDD.filter(stu=>{
ListRDD.contains(stu.split(",")(0))
}).foreach(println)
/**
* reduce:行为算子
*
*/
//传入一个聚合函数
//select sum(age) from students group by 1
//全局的聚合(将所有的数据作为一个组进行聚合)
stuRDD.map(line=>line.split(",")(2))
.reduce((i,j)=>i+j)
.foreach(println)
/**
* save:
*/
stuRDD.saveAsTextFile("")
/**
* lookup:作用在k-v格式的RDD上,传入一个key,返回与之对应的value
*
*/
val ids: Seq[String] = stuRDD.map(line => (line.split(",")(1), line.split(",")(0)))
.lookup("宣谷芹")
println(ids)
}
}
2.2 foreach 和 foreachPartition
package com.shujia.core
import java.sql.{Connection, DriverManager, PreparedStatement}
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
/**
* @return :danzhu努力学bigdata
*/
object SparkRDDForeach {
def main(args: Array[String]): Unit = {
/**
* foreach、foreachPartition都是行为算子
* foreach:需要接收一个函数f:参数类型同RDD中的泛型,返回值类型Unit
* 会将每一条数据依次传递给函数f进行最终的一个处理,一般用于输出打印(测试)
*
* foreachPartion:需要接收一个函数f:参数类型是iterator类型,返回值类型Unit
* 会将每个分区的数据传给Trerator并进行最终的处理,一般用于将结果保存到外部系统(mysql)
*
* 注意:一般算子后面跟着partition的算子,参数类型一般是迭代器(减少占用内存),
* 这样的会迭代器还要调用其他普通算子一次
*/
//创建上下文环境
val conf: SparkConf = new SparkConf()
conf.setAppName("SparkRDDForeach")
conf.setMaster("local")
val sc: SparkContext = new SparkContext(conf)
//读取数据,设置了是个分区
val lineRDD: RDD[String] = sc.textFile("spark/data/stu/students.txt", 4)
println(lineRDD.getNumPartitions)
//创建mysql连接
//遍历每一条数据
//因为不需要返回值,所以选择foreach行为算子遍历
/**
* 算子外部的代码在Driver端执行的
* 算子内部的代码是以Task的形式发送到Executor中执行的
* 连接是不能被序列化的,所以连接的建立需要放入算子内部
*
* // */
// lineRDD.foreach(line=>{
// //连接是不能被序列化的,所以连接的建立需要放入算子内部
// //foreach是针对每一条数据处理一次,相当于这里会创建1000次连接,会造成性能问题
// val conn: Connection = DriverManager.getConnection("jdbc:mysql://master:3306/test?useUnicode=true&characterEncoding=UTF-8","root","123456")
// val ps: PreparedStatement = conn.prepareStatement("insert into student2 values(?,?,?,?,?)")
// val splits: Array[String] = line.split(",")
// val id: Int = splits(0).toInt
// val name: String = splits(1)
// val age: Int = splits(2).toInt
// val gender: String = splits(3)
// val clazz: String = splits(4)
// ps.setInt(1,id)
// ps.setString(2,name)
// ps.setInt(3,age)
// ps.setString(4,gender)
// ps.setString(5,clazz)
// ps.execute()
// ps.close()
// conn.close()
// })
/**
* 可以使用foreachpartition代替foreach完成对mysql数据的插入
* 适用于在算子内部需要跟外部数据源建立连接(一般创建连接是为了写入数据)的情况
*
* //连接是不能被序列化的,所以连接的建立需要放入算子内部
* //foreach是针对每一条数据处理一次,相当于这里会创建1000次连接,会造成性能问题
* //对每个分区的数据进行处理,相当于每个分区建立一次连接,因为有是个分区,所以只会创建四次连接
* //大大降低连接的次数,提高性能
*
*
*
*/
lineRDD.foreachPartition(iter => {
val conn: Connection = DriverManager.getConnection("jdbc:mysql://master:3306/test?useUnicode=true&characterEncoding=UTF-8", "root", "123456")
val ps: PreparedStatement = conn.prepareStatement("insert into student2 values(?,?,?,?,?)")
//这里的foreach方法实际上不是RDD的算子,这里是Iterator的foreach方法
//不会出现连接未被序列化的问题,当前处理的分区数据都会共用一个连接
iter.foreach(line => {
val splits: Array[String] = line.split(",")
val id: Int = splits(0).toInt
val name: String = splits(1)
val age: Int = splits(2).toInt
val gender: String = splits(3)
val clazz: String = splits(4)
ps.setInt(1, id)
ps.setString(2, name)
ps.setInt(3, age)
ps.setString(4, gender)
ps.setString(5, clazz)
//相当于每条数据插入一次,性能也比较低
//ps.execute()
ps.addBatch()
})
//采用批量插入的方式
ps.executeBatch()
ps.close()
conn.close()
})
}
}
说明:代码中所涉及到的数据,可以联系本人获取