1.RDD方法=>RDD算子
1).转换:功能的补充和封装,将旧的RDD包装成新的RDD(map,flatMap)
2).行动:触发任务的调度和作业的执行(collect)
3).RDD方法=>RDD算子:
RDD(Resilient Distributed Dataset)叫做弹性分布式数据集,是 Spark 中最基本的数据
处理模型。
认知心理学认为解决问题其实将问题的状态进行改变:
问题(初始)=》操作(算子)=》问题(审核中)=》操作(算子) =》问题(完成)
4).算子:Operator(操作)
RDD的方法和Scala的集合对象的方法不一样,集合对象的方法都是在同一个节点的内存中完成的,RDD的方法可以将计算逻辑发送到Executor端(分布式节点)执行。RDD的方法外部的操作都是在Driver端执行的,而方法内部的逻辑代码实在Executor端执行的
2.RDD转换算子
1) map(RDD_Operator_Transform)
rdd =sc.makeRDD(List(1,2,3,4))
val mapRDD: RDD[Int] = rdd.map(_ * 2)
小功能:从服务器日志数据apache.log中获取用户请求URL资源路径
val rdd: RDD[String] = sc.textFile("datass/apache.log")
//长的字符串 转换成短的
val value: RDD[String] = rdd.map(
line => {
val datas: Array[String] = line.split(" ")
datas(6)
}
)
map的分区计算
(1).rdd的计算一个分区内的数据是一个一个执行逻辑
只有墙面一个数据全部的逻辑执行完毕后,才会执行下一个数据
分区内数据的执行时有序的
(2).不同分区数据计算是无序的
2) mapPartations(分区处理map)
➢ 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 sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("operator")
//创建向下文环境对象
val sc = new SparkContext(sparkConf)
val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4), 1)
rdd.mapPartitions(
iter=>{
iter.map(_*2)
}
)
提示:可以以分区为单位进行数据转换操作,但是会将整个分区的数据加载到内存当中进行引用,如果处理完的数据不会被释放掉,存在对象的引用。 在内存比较小,数据量较大的场合下,容易出现内存溢出,此时最好用map
小功能:可以获得每个分区的最大值
val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4), 2)
//有2个分区 ,每个分区的最大值为2 ,4
val value: RDD[Int] = rdd.mapPartitions(
iter => {
List(iter.max).iterator
}
)
value.collect().foreach(println)
思考一个问题:map 和 mapPartitions 的区别? ➢ 数据处理角度
Map 算子是分区内一个数据一个数据的执行,类似于串行操作。而 mapPartitions 算子
是以分区为单位进行批处理操作。
➢ 功能的角度
Map 算子主要目的将数据源中的数据进行转换和改变。但是不会减少或增多数据。
MapPartitions 算子需要传递一个迭代器,返回一个迭代器,没有要求的元素的个数保持不变,
所以可以增加或减少数据
➢ 性能的角度
Map 算子因为类似于串行操作,所以性能比较低,而是 mapPartitions 算子类似于批处
理,所以性能较高。但是 mapPartitions 算子会长时间占用内存,那么这样会导致内存可能
不够用,出现内存溢出的错误。所以在内存有限的情况下,不推荐使用。使用 map 操作。
3) mapPartitionsWithIndex(分区处理map的索引)
➢ 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, 4), 2)
val value: RDD[Int] = rdd.mapPartitionsWithIndex(
(index, iter: Iterator[Int]) => {
if (index == 1) {
iter
} else Nil.iterator
}
)
value.collect().foreach(println)
小功能:查看数据在哪个分区
val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4))
val value: RDD[(Int, Int)] = rdd.mapPartitionsWithIndex(
(index, iter) => {
iter.map(num => (index, num))
}
)
value.collect().foreach(println)
(1,1)
(3,2)
(5,3)
(7,4)
4) flatMap(扁平化)
➢ 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
val rdd: RDD[List[Int]] = sc.makeRDD(List(List(1, 2, 3, 4), List(5, 6, 7, 8)))
val value: RDD[Int] = rdd.flatMap(
(list: List[Int]) => {
list
}
)
value.collect().foreach(println)
小功能:将 List(List(1,2),3,List(4,5))进行扁平化操作
val rdd: RDD[Any] = sc.makeRDD(List(List(1, 2, 3, 4), 3, List(5, 6, 7, 8)))
val value = rdd.flatMap(
data => {
// 模式匹配
data match {
case list:List[_] => list
case dat => List(dat)
}
}
)
value.collect().foreach(println)
5) glom(转换数组)
➢ 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
val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4),2)
val glomRDD: RDD[Array[Int]] = rdd.glom()
glomRDD.collect().foreach(data=>println(data.mkString(",")))
}
小功能:计算所有分区最大值求和(分区内取最大值,分区间最大值求和)
val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4), 2)
val glomRDD: RDD[Array[Int]] = rdd.glom()
val maxRDD: RDD[Int] = glomRDD.map(
array => {
array.max
}
)
println(maxRDD.collect().sum)
6) groupBy(分组,((a,1),(a,2)))
➢ 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
小功能:将 List(“Hello”, “hive”, “hbase”, “Hadoop”)根据单词首写字母进行分组。
val rdd = sc.makeRDD(List("Hello","Spark","Scala","Hadoop"),2)
val value: RDD[(Char, Iterable[String])] = rdd.groupBy(_.charAt(0))
// rdd.groupBy(_%2)
value.collect().foreach(println)
(H,CompactBuffer(Hello, Hadoop))
(S,CompactBuffer(Spark, Scala))
小功能:从服务器日志数据 apache.log 中获取每个时间段访问量
val rdd: RDD[String] = sc.textFile("datass/apache.log")
val timeRDD: RDD[(String, Iterable[(String, Int)])] = rdd.map(
line => {
val datas = line.split(" ")
val time = datas(3)
val sdf = new SimpleDateFormat("dd/MM/yyyy:HH:mm:ss")
val date: Date = sdf.parse(time)//解析成日期格式
val sdf1 = new SimpleDateFormat("HH")
val hour: String = sdf1.format(date)//转换成字符串
(hour, 1)
}
).groupBy(_._1)
timeRDD.map({
case (hour,iter) =>{(hour,iter.size)}
}).collect().foreach(println)
7) filter(条件过滤)
➢ 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 dataRDD =
val rdd: RDD[Int] = sc.makeRDD((List(1, 2, 3, 4)))
val filterRDD: RDD[Int] = rdd.filter(_ % 2 == 0)
filterRDD.collect().foreach(println)
小功能:从服务器日志数据 apache.log 中获取 2015 年 5 月 17 日的请求路径
val rdd: RDD[String] = sc.textFile("datass/apache.log")
rdd.filter(line=>{
val datas = line.split(" ")
val time = datas(3)
time.startsWith("17/05/2015") //检测字符串是否以指定的前缀开始
}).collect().foreach(println)
83.149.9.216 - - 17/05/2015:10:05:03 +0000 GET /presentations/logstash-monitorama-2013/images/kibana-search.png
83.149.9.216 - - 17/05/2015:10:05:43 +0000 GET /presentations/logstash-monitorama-2013/images/kibana-dashboard3.png
83.149.9.216 - - 17/05/2015:10:05:47 +0000 GET /presentations/logstash-monitorama-2013/plugin/highlight/highlight.js
8) sample(抽取数据)
e ➢ 函数签名 def sample(
withReplacement: Boolean,
fraction: Double,
seed: Long = Utils.random.nextLong): RDD[T]
➢ 函数说明
根据指定的规则从数据集中抽取数据
val dataRDD = sparkContext.makeRDD(List(
1,2,3,4
),1)
// 抽取数据不放回(伯努利算法)
// 伯努利算法:又叫 0、1 分布。例如扔硬币,要么正面,要么反面。
// 具体实现:根据种子和随机算法算出一个数和第二个参数设置几率比较,小于第二个参数要,大于不
要
// 第一个参数:抽取的数据是否放回,false:不放回
// 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
val dataRDD1 = dataRDD.sample(false, 0.5)
// 抽取数据放回(泊松算法)
// 第一个参数:抽取的数据是否放回,true:放回;false:不放回
// 第二个参数:重复数据的几率,范围大于等于 0.表示每一个元素被期望抽取到的次数
// 第三个参数:随机数种子
val dataRDD2 = dataRDD.sample(true, 2)
9 )distinct(数据去重)
➢ 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 dataRDD = sparkContext.makeRDD(List(
1,2,3,4,1,2
),1)
val dataRDD1 = dataRDD.distinct()
val dataRDD2 = dataRDD.distinct(2)
10)coalesce(缩减分区)
➢ 函数签名
def coalesce(numPartitions: Int, shuffle: Boolean = false,
partitionCoalescer: Option[PartitionCoalescer] = Option.empty)
(implicit ord: Ordering[T] = null)
: RDD[T]
➢ 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
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 dataRDD = sparkContext.makeRDD(List(
1,2,3,4,1,2
),6)
val dataRDD1 = dataRDD.coalesce(2)
dataRDD.saveAsTextFile("output")
// coalesce方法默认情况下不会将分区的结果打乱后重新组合
// 这种情况下的缩减分区可能会导致数据不均衡,出现数据倾斜
// 可以使用第二个参数true, 打开shuffle
思考一个问题:我想要扩大分区,怎么办?
val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4,5,6),2)
// 如果想要实现扩大分区的效果,需要打乱数据shuffle
rdd.coalesce(3,true)
spark提供了一个简化的操作,
缩减分区:coalesce 如果想要数据均衡,可以采用shuffle
扩大分区:repartition ,底层实现代码调用coalesce,肯定开启shuffle
11) repartition(扩大分区)
- 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。
12) sortBy(排序)
➢ 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]
➢ 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,默认为升序排列。排序后新产生的 RDD 的分区数与原 RDD 的分区数一
致。中间存在 shuffle 的过程
val rdd = sc.makeRDD(List(("1", 1),("11",2) ,("2",3)),2)
val newRDD = rdd.sortBy(_._1.toInt)
// 默认为升序,加上第二个参数改为false,降序
(1,1)
(2,3)
(11,2)
13)intersection(交集)
➢ 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 dataRDD1 = sparkContext.makeRDD(List(1,2,3,4))
val dataRDD2 = sparkContext.makeRDD(List(3,4,5,6))
val dataRDD = dataRDD1.intersection(dataRDD2)
思考一个问题:如果两个 RDD 数据类型不一致怎么办?
14) union
➢ 函数签名
def union(other: RDD[T]): RDD[T](并集)
➢ 函数说明
对源 RDD 和参数 RDD 求并集后返回一个新的 RDD
val dataRDD1 = sparkContext.makeRDD(List(1,2,3,4))
val dataRDD2 = sparkContext.makeRDD(List(3,4,5,6))
val dataRDD = dataRDD1.union(dataRDD2)
思考一个问题:如果两个 RDD 数据类型不一致怎么办?
15) subtract(差集)
➢ 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 dataRDD1 = sparkContext.makeRDD(List(1,2,3,4))
val dataRDD2 = sparkContext.makeRDD(List(3,4,5,6))
val dataRDD = dataRDD1.subtract(dataRDD2)
思考一个问题:如果两个 RDD 数据类型不一致怎么办?
16) zip(拉链)
➢ 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 中的相同位置的元素。
数据类型可以不一致
val dataRDD1 = sc.makeRDD(List(1,2,3,4))
val dataRDD2 = sc.makeRDD(List(3,4,5,6))
val rdd1 = dataRDD1.intersection(dataRDD2)
println(rdd1.collect().mkString(","))
val rdd2 = dataRDD1.union(dataRDD2)
println(rdd2.collect().mkString(","))
val rdd3 = dataRDD1.subtract(dataRDD2)
val rdd4 = dataRDD2.subtract(dataRDD1)
println(rdd3.collect().mkString(","))
println(rdd4.collect().mkString(","))
println("----------")
//拉链
val rdd6: RDD[(Int, Int)] = dataRDD1.zip(dataRDD2)
println(rdd6.collect().mkString(","))
3,4
1,2,3,4,3,4,5,6
1,2
5,6
(1,3),(2,4),(3,5),(4,6)
思考一个问题:如果两个 RDD 数据类型不一致怎么办?
数据类型可以不一致
思考一个问题:如果两个 RDD 数据分区不一致怎么办?
报错呗
思考一个问题:如果两个 RDD 分区数据数量不一致怎么办?
报错呗
⚫ Key - Value 类型
17) partitionBy(重新分区)
➢ 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: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4),2)
val mapRDD: RDD[(Int, Int)] = rdd.map((_, 1))
// partitionBy属于PairRDDFunctions的方法
// 将 RDD类型=>PairRDDFunctions
// 隐式转换(二次编译)
//根据指定的分区规则对数据进行分区
mapRDD.partitionBy(new HashPartitioner(2)).saveAsTextFile("output")
//第一个区(2,1),(4,1)
//第二个区(1,1),(3,1)
思考一个问题:如果重分区的分区器和当前 RDD 的分区器一样怎么办?
如果类型相等,数量相等 ,它会返回自己,不做操作
思考一个问题:Spark 还有其他分区器吗?
RangePartitoner
思考一个问题:如果想按照自己的方法进行数据分区怎么办?
自定义
思考一个问题:哪那么多问题?
18) reduceByKey(分组聚合,且分区内,间计算相同,一个参数)
➢ 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
//两两聚合
val reduceRDD: RDD[(String, Int)] = rdd.reduceByKey((x, y) => x + y)
//简化:
// rdd.reduceByKey(_+_)
(a,7)
(b,3)
如果reduceBykey中如果key的数据只有一个,是不会参与运算的
19) groupByKey(分组,(a,(1,2,3))
➢ 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
将数据源的数据根据 key 对 value 进行分组
val rdd = sc.makeRDD(List(("a",1), ("a",2), ("b",3), ("a",4)))
val groupRDD: RDD[(String, Iterable[Int])] = rdd.groupByKey()
val groupRDD1: RDD[(String, Iterable[(String, Int)])] = rdd.groupBy(_._1)
groupRDD.collect().foreach(println)
groupRDD1.collect().foreach(println)
对比和groupby的区别
(a,CompactBuffer(1, 2, 4))
(b,CompactBuffer(3))
(a,CompactBuffer((a,1), (a,2), (a,4)))
(b,CompactBuffer((b,3)))
思考一个问题:reduceByKey 和 groupByKey 的区别?
从 shuffle 的角度:reduceByKey 和 groupByKey 都存在 shuffle 的操作,但是 reduceByKey
可以在 shuffle 前对分区内相同 key 的数据进行预聚合(combine)功能,这样会减少**落盘(缓冲区)**的
数据量,而 groupByKey 只是进行分组,不存在数据量减少的问题,reduceByKey 性能比较
高。
groupByKey:
reduceByKey:
从功能的角度:reduceByKey 其实包含分组和聚合的功能。GroupByKey 只能分组,不能聚
合,所以在分组聚合的场合下,推荐使用 reduceByKey,如果仅仅是分组而不需要聚合。那
么还是只能使用 groupByKey
20) aggregateByKey(分组聚合,分区内、分区间计算不同)
➢ 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
例: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), ("a",3), ("a",4)),2)
//(a,[1,2]),(a,[3,4]) 取最大值
//(a,2),(a,4) 求和
//(a,6)
// 第一个参数列表需要传递一个参数,有一个参数 表示为初始值
// 主要用于当碰见第一个key的时候,和value进行分区计算
//第二个参数列表需要传递两个参数:
// 第一个参数列表:表示分区内计算规则
// 第二个参数列表:表示分区间计算规则,传递两个参数
rdd.aggregateByKey(0)(
(x,y)=> math.max(x,y),
(x,y)=> x+y
).collect().foreach(println)
(a,6)
小练习: 获取相同key的value的平均值
val rdd = sc.makeRDD(List(("a",1), ("a",2), ("b",3), ("a",4)),2)
// 获取相同key的value的平均值
val aggRDD: RDD[(String, (Int, Int))] = rdd.aggregateByKey((0, 0))(
//分区内计算
// 第一个参数为tuple(0,0) 第一个0表示value值,第二个0表示出现的次数
(t, v) => {
(t._1 + v, t._2 + 1)
},
//分区间计算 ,value值相加。次数相加
(t1, t2) => {
(t1._1 + t2._1, t1._2 + t2._2)
}
)
aggRDD.mapValues{
//模式匹配可以将tuple的值赋给变量sum,num,可读性比t._1,t._2好多了
case (num,cnt)=>
(num/cnt)
}.collect().foreach(println)
21) foldByKey(分组聚合,且分区内,间计算相同,2个参数)
➢ 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 dataRDD1 = sparkContext.makeRDD(List(("a",1),("b",2),("c",3)))
val dataRDD2 = dataRDD1.foldByKey(0)(_+_)
22) combineByKey(分组聚合,三个参数,分区内、分区间计算不同)
➢ 函数签名
def combineByKey[C](
createCombiner: V => C,
mergeValue: (C, V) => C,
mergeCombiners: (C, C) => C): RDD[(K, C)]
➢ 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。
小练习:将数据 List((“a”, 88), (“b”, 95), (“a”, 91), (“b”, 93), (“a”, 95), (“b”, 98))求每个 key 的平
均值
val rdd = sc.makeRDD(List(("a",1), ("a",2), ("b",3), ("a",4)),2)
// 第一个参数表示:将相同key的第一个数据进行结构转换,实现操作
// 第二个参数表示:分区内的计算规则
//第三个参数表示:分区间的计算规则
val comRDD: RDD[(String, (Int, Int))] = rdd.combineByKey(
v => (v, 1),
(t: (Int, Int), v) => {
(t._1 + v, t._2 + 1)
},
(t1: (Int, Int), t2: (Int, Int)) => (t1._1 + t2._1, t2._2 + t2._2))
comRDD.mapValues(t=>t._1/t._2).collect().foreach(println)
(b,3)
(a,3)
reduceByKey、foldByKey、aggregateByKey、combineByKey 的区别?
reduceByKey: 相同 key 的第一个数据不进行任何计算,分区内和分区间计算规则相同
FoldByKey: 相同 key 的第一个数据和初始值进行分区内计算,分区内和分区间计算规则相
同。
AggregateByKey:相同 key 的第一个数据和初始值进行分区内计算,分区内和分区间计算规
则可以不相同
CombineByKey:当计算时,发现数据结构不满足要求时,可以让第一个数据转换结构。分区
内和分区间计算规则不相同。
val rdd = sc.makeRDD(List(("a",1), ("a",2), ("b",3), ("a",4)),2)
// wordcount各种实现:
rdd.reduceByKey(_+_)
rdd.aggregateByKey(0)(_+_,_+_)
rdd.foldByKey(0)(_+_)
rdd.combineByKey(v=>v,(x:Int,y)=>x+y,(x:Int,y:Int)=>x+y)
/* reduceByKey :
combineByKeyWithClassTag[V](
(v: V) => v, //第一个值不会参与计算
func, //分区内计算规则
func, //分区间计算规则
)
aggregateByKey:
combineByKeyWithClassTag[U](
(v: V) => cleanedSeqOp(createZero(), v),// 相同key的第一条数据的处理函数
cleanedSeqOp,//分区内计算规则
combOp, //分区间计算规则
)
foldByKey:
combineByKeyWithClassTag[V](
(v: V) => cleanedFunc(createZero(), v), // 相同key的第一条数据的处理函数
cleanedFunc, //分区内计算规则
cleanedFunc, //分区间计算规则
)
combineByKey:
combineByKeyWithClassTag(
createCombiner, // 相同key的第一条数据的处理函数
mergeValue, //分区内数据的处理函数
mergeCombiners, /分区间数据的处理函数
)
*/
23) sortByKey(根据key进行排序)
➢ 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(特质),返回一个按照 key 进行排序
的
val dataRDD1 = sc.makeRDD(List(("a",1),("a",2),("b",2),("c",3)))
val sortRDD1: RDD[(String, Int)] = dataRDD1.sortByKey(true)
val sortRDD2: RDD[(String, Int)] = dataRDD1.sortByKey(false)
sortRDD1.collect().foreach(println)
sortRDD2.collect().foreach(println)
(a,1)
(a,2)
(b,2)
(c,3)
(c,3)
(b,2)
(a,1)
(a,2)
24) join(内连接,乘)
➢ 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 rdd: RDD[(Int, String)] = sc.makeRDD(Array((1, "a"), (2, "b"), (3, "c")))
val rdd1: RDD[(Int, Int)] = sc.makeRDD(Array((1, 4), (2, 5), (3, 6)))
rdd.join(rdd1).collect().foreach(println)
(1,(a,4))
(2,(b,5))
(3,(c,6))
思考一个问题:如果 key 存在不相等呢?
如果两个数据源的key没有匹配上,那么数据不会出现在结果中
如果key比较多,他会挨个匹配,数据量会几何性增长,会导致性能降低
25) 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 rdd: RDD[(Int, String)] = sc.makeRDD(Array((1, "a"), (2, "b"), (3, "c")))
val rdd1: RDD[(Int, Int)] = sc.makeRDD(Array((1, 4), (2, 5), (4, 6)))
rdd.leftOuterJoin(rdd1).collect().foreach(println)
(1,(a,Some(4)))
(2,(b,Some(5)))
(3,(c,None))
26) cogroup(分组连接)
➢ 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,Iterable))类型的 RDD
理解为:connect+group
val rdd1: RDD[(String, Int)] = sc.makeRDD(List(("a", 4), ("b", 2), ("c", 3)))
val rdd2: RDD[(String, Int)] = sc.makeRDD(List(("a", 4), ("b", 1), ("c", 3),("c",6)))
val cgRDD: RDD[(String, (Iterable[Int], Iterable[Int]))] = rdd1.cogroup(rdd2)
cgRDD.collect().foreach(println)
(a,(CompactBuffer(4),CompactBuffer(4))) (b,(CompactBuffer(2),CompactBuffer(1)))
(c,(CompactBuffer(3),CompactBuffer(3, 6)))
转换算子 case1
-
数据准备
agent.log:时间戳,省份,城市,用户,广告,中间字段使用空格分隔。 -
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
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
object Spark0x_RDD_Case01 {
def main(args: Array[String]): Unit = {
// 建立链接
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
val sc = new SparkContext(sparkConf)
//1.获取原始数据:时间戳...
val dataRDD: RDD[String] = sc.textFile("datass/agent.log")
//2.将原始数据进行结构转换,方便统计
// => ((省份,广告),1)
val mapRDD: RDD[((String, String), Int)] = dataRDD.map(
line => {
val data: Array[String] = line.split(" ")
((data(1), data(4)), 1)
}
)
//3.将转换结构的数据,进行分组聚合
//((省份,广告),1)=> ((省份,广告),sum)
val reduceRDD: RDD[((String, String), Int)] = mapRDD.reduceByKey(_ + _)
//4将聚合的结果进行结构的转换
//((省份,广告),sum)=>(省份,(广告,sum))
val newRDD: RDD[(String, (String, Int))] = reduceRDD.map {
case ((prv, ad), sum) => (prv, (ad, sum))
}
//5.将转换结构后的数据根据省份进行分组
//(省份,【(广告A,sumA)】),((广告B,sumB)))
val groupRDD: RDD[(String, Iterable[(String, Int)])] = newRDD.groupByKey()
//6.将分组后的数据组内排序,降序,取前三名
val resultRDD: RDD[(String, List[(String, Int)])] = groupRDD.mapValues(
iter => {
iter.toList.sortBy(_._2)(Ordering[Int].reverse).take(3)
}
)
//7.采集数据打印在控制台
resultRDD.collect().foreach(println)
}
}
2.RDD行动算子
//所谓的行动算子,其实就是触发作业(Job)执行的方法
//底层代码调用的是环境对象的runJob方法
//底层代码会创建ActiveJob,并提交执行
1) reduce
➢ 函数签名
def reduce(f: (T, T) => T): T
➢ 函数说明
聚集 RDD 中的所有元素,先聚合分区内数据,再聚合分区间数据
val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4))
val i: Int = rdd.reduce(_ + _)
println(i)
10
2) collect
➢ 函数签名
def collect(): Array[T]
➢ 函数说明
在驱动程序中,以数组 Array 的形式返回数据集的所有元素,
该方法会将不同分区的数据按照分区顺序采集到Driver端内存中,形成数组
val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4))
val i: Array[Int] = rdd.collect()
println(i.mkString(","))
1,2,3,4
3) count(数据的个数)
➢ 函数签名
def count(): Long
➢ 函数说明
返回 RDD 中元素的个数
4) first
➢ 函数签名
def first(): T
➢ 函数说明
返回 RDD 中的第一个元素
5) take(前n个)
➢ 函数签名
def take(num: Int): Array[T]
➢ 函数说明
返回一个由 RDD 的前 n 个元素组成的数组
// 返回 RDD 中元素的个数
val takeResult: Array[Int] = rdd.take(2)
println(takeResult.mkString(","))
6) takeOrdered(先排序,后取前n个)
➢ 函数签名
def takeOrdered(num: Int)(implicit ord: Ordering[T]): Array[T]
➢ 函数说明
返回该 RDD 排序后的前 n 个元素组成的数组
val rdd: RDD[Int] = sc.makeRDD(List(1,3,2,4))
// 返回 RDD 中元素的个数
val result: Array[Int] = rdd.takeOrdered(2)
7) aggregate
➢ 函数签名
def aggregate[U: ClassTag](zeroValue: U)(seqOp: (U, T) => U, combOp: (U, U) => U): U
➢ 函数说明
分区的数据通过初始值和分区内的数据进行聚合,然后再和初始值进行分区间的数据聚合
val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4),2)
val result: Int = rdd.aggregate(0)(_ + _, _ + _)
println(result)
10
和aggregateByKey的区别
//预测:13+17 =30
// aggregateBykey的初始值只会参与分区内计算
//aggregate的初始值会参数分区内和分区间的计算
//实际13+17+10=40
val result: Int = rdd.aggregate(10)(_ + _, _ + _)
println(result)
8) fold
➢ 函数签名
def fold(zeroValue: T)(op: (T, T) => T): T
➢ 函数说明
折叠操作,aggregate 的简化版操作
val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4))
val foldResult: Int = rdd.fold(0)(_+_)
9) countByKey
➢ 函数签名
def countByKey(): Map[K, Long]
➢ 函数说明
统计每种 key 的个数
countByValue
val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4),2)
val map: collection.Map[Int, Long] = rdd.countByValue()
println(map)
countByKey
val rdd: RDD[(String, Int)] = sc.makeRDD(List(("a", 1), ("a", 2), ("b", 1)))
val map: collection.Map[String, Long] = rdd.countByKey()
println(map
Map(a -> 2, b -> 1)
WordCount实现
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
import scala.collection.mutable
object Spark0x_RDD_WordCount {
def main(args: Array[String]): Unit = {
val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("operator")
//创建向下文环境对象
val sc = new SparkContext(sparkConf)
sc.stop()
}
def wordcount1(sc:SparkContext)={
val rdd: RDD[String] = sc.makeRDD(List("Hello Scala", "Hello Spark"))
val fmRDD: RDD[String] = rdd.flatMap(_.split(" "))
val group: RDD[(String, Iterable[String])] = fmRDD.groupBy(word => word)
val wordCount: RDD[(String, Int)] = group.mapValues(iter => iter.size)
}
def wordcount2(sc:SparkContext)={
val rdd: RDD[String] = sc.makeRDD(List("Hello Scala", "Hello Spark"))
val words: RDD[String] = rdd.flatMap(_.split(" "))
val wordOne: RDD[(String, Int)] = words.map((_, 1))
val groupRDD: RDD[(String, Iterable[Int])] = wordOne.groupByKey()
val wordCount: RDD[(String, Int)] = groupRDD.mapValues(iter => iter.size)
}
//reduceByKey
def wordcount3(sc:SparkContext)={
val rdd: RDD[String] = sc.makeRDD(List("Hello Scala", "Hello Spark"))
val words: RDD[String] = rdd.flatMap(_.split(" "))
val wordOne: RDD[(String, Int)] = words.map((_, 1))
val groupRDD: RDD[(String, Int)] = wordOne.reduceByKey(_+_)
}
//aggregateByKey
def wordcount4(sc:SparkContext)={
val rdd: RDD[String] = sc.makeRDD(List("Hello Scala", "Hello Spark"))
val words: RDD[String] = rdd.flatMap(_.split(" "))
val wordOne: RDD[(String, Int)] = words.map((_, 1))
val groupRDD: RDD[(String, Int)] = wordOne.aggregateByKey(0)(_+_,_+_)
}
//foldByKey
def wordcount5(sc:SparkContext)={
val rdd: RDD[String] = sc.makeRDD(List("Hello Scala", "Hello Spark"))
val words: RDD[String] = rdd.flatMap(_.split(" "))
val wordOne: RDD[(String, Int)] = words.map((_, 1))
val groupRDD: RDD[(String, Int)] = wordOne.foldByKey(0)(_+_)
}
// combineByKey
def wordcount6(sc:SparkContext)={
val rdd: RDD[String] = sc.makeRDD(List("Hello Scala", "Hello Spark"))
val words: RDD[String] = rdd.flatMap(_.split(" "))
val wordOne: RDD[(String, Int)] = words.map((_, 1))
val groupRDD: RDD[(String, Int)] = wordOne.combineByKey(v=>v,_+_,_+_)
}
def wordcount7(sc:SparkContext)={
val rdd: RDD[String] = sc.makeRDD(List("Hello Scala", "Hello Spark"))
val words: RDD[String] = rdd.flatMap(_.split(" "))
val wordOne: RDD[(String, Int)] = words.map((_, 1))
val wordCount: collection.Map[String, Long] = wordOne.countByKey()
}
def wordcount8(sc:SparkContext)={
val rdd: RDD[String] = sc.makeRDD(List("Hello Scala", "Hello Spark"))
val words: RDD[String] = rdd.flatMap(_.split(" "))
val wordCount: collection.Map[String, Long] = rdd.countByValue()
}
//reduce
def wordcount9(sc:SparkContext)={
val rdd: RDD[String] = sc.makeRDD(List("Hello Scala", "Hello Spark"))
val words: RDD[String] = rdd.flatMap(_.split(" "))
val mapWord: RDD[mutable.Map[String, Long]] = words.map(
word => {
mutable.Map[String, Long]((word, 1))
}
)
val wordCount: mutable.Map[String, Long] = mapWord.reduce(
(map1: mutable.Map[String, Long], map2) => {
map2.foreach({
case (word, count) => {
val newCount: Long = map1.getOrElse(word, 0L) + count
map1.update(word, newCount)
}
})
map1
}
)
}
10) save 相关算子
➢ 函数签名
def saveAsTextFile(path: String): Unit
def saveAsObjectFile(path: String): Unit
def saveAsSequenceFile(
path: String,
codec: Option[Class[_ <: CompressionCodec]] = None): Unit
➢ 函数说明
将数据保存到不同格式的文件中
val rdd: RDD[(String, Int)] = sc.makeRDD(List(("a", 1), ("a", 2), ("b", 1)))
rdd.saveAsTextFile("output")
rdd.saveAsObjectFile("output1")
//saveAsSequenceFile要求数据的格式必须为K——V类型
rdd.saveAsSequenceFile("output2")
11) foreach(分布式遍历)
➢ 函数签名
def foreach(f: T => Unit): Unit = withScope {
val cleanF = sc.clean(f)
sc.runJob(this, (iter: Iterator[T]) => iter.foreach(cleanF))
}
➢ 函数说明
分布式遍历 RDD 中的每一个元素,调用指定函数
val rdd: RDD[(String, Int)] = sc.makeRDD(List(("a", 1), ("a", 2), ("b", 1)))
// 收集后打印
// 这个foreach其实是Driver端内存数据集合的循环遍历方式
rdd.collect().foreach(println)
println("****************")
//这个foreach其实是Executor端内存数据打印 没有按照顺序采集
rdd.foreach(println)
(a,1)
(a,2)
(b,1)
(a,2)
(a,1)
(b,1)