Spark 练习题-自定义分区

题一

package com.gxxd.spark.core
import org.apache.spark.rdd.RDD
import org.apache.spark.{Partitioner, SparkConf, SparkContext}

object RDD_Park {
  def main(args: Array[String]): Unit = {
    val sparkConf = new SparkConf().setMaster("local[*]").setAppName("Part")
    val sc = new SparkContext(sparkConf)
    var rdd = sc.makeRDD(List(
      ("nba", "welcome to nba"),
      ("cba", "welcome to cba"),
      ("wcba", "welcome to wcba"),
      ("nba", "welcome to nba too"),
    ), 3)

    val partRDD: RDD[(String, String)] = rdd.partitionBy(new MyPartitioner)

    val newRDD: RDD[(Int, (String, String))] = partRDD.mapPartitionsWithIndex((index, iter) => {
      iter.map({
        num => (index, num)
      })
    })
    newRDD.collect().foreach(println)
  }
  class MyPartitioner extends Partitioner {
    //  分区数
    override def numPartitions: Int = 3
    // 根据数据的key所在分区返回分区索引
    override def getPartition(key: Any): Int = {
      key match {
        case "nba" => 0
        case "cba" => 1
        case _ => 2
      }
    }
  }
}

题二

import org.apache.spark.rdd.RDD
import org.apache.spark.{Partitioner, SparkConf, SparkContext}

import scala.util.matching.Regex

object Ten5 {
  def main(args: Array[String]): Unit = {
    val sparkConf = new SparkConf().setMaster("local[*]").setAppName("Ten5")
    val sc = new SparkContext(sparkConf)
    val fileRDD = sc.textFile("data/data.txt")
    val groupRDD = fileRDD.groupBy(word => word)
    val partRDD = groupRDD.partitionBy(new MyPartitioner)
    val newRDD: RDD[(Int, (String, Iterable[String]))] = partRDD.mapPartitionsWithIndex((index, iter) => {
      iter.map({
        num => (index, num)
      })
    })
    newRDD.collect().foreach(println)
  }
  /**
   * 自定义分区器
   * 1.继承Partitioner
   * 2.重写Partitioner抽象类的方法
   */
  class MyPartitioner extends Partitioner {
    //  分区数
    override def numPartitions: Int = 4
    // 根据数据的key所在分区返回分区索引
    override def getPartition(key: Any): Int = {
      val r: Regex = """([a-z])([a-z])([a-z])""".r
      val r1: Regex = """([A-Z])([A-Z])([A-Z])""".r
      val r2: Regex = """([1-9])([1-9])([1-9])""".r
      key match {
        case r(x, y, z) => 0
        case r1(x, y, z) => 1
        case r2(x, y, z) => 2
        case _ => 3
      }
    }
  }
}

  • 3
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: Spark中的自定义函数包括三种类型:udf、udaf和udtf。 1. udf(User-Defined Function):用户自定义函数,用于对DataFrame中的每个元素进行单独的处理,返回一个新的值。可以使用Scala、Java或Python编写。 2. udaf(User-Defined Aggregate Function):用户自定义聚合函数,用于对DataFrame中的一组元素进行聚合操作,返回一个新的值。可以使用Scala、Java或Python编写。 3. udtf(User-Defined Table-Generating Function):用户自定义表生成函数,用于将一行数据转换为多行数据,返回一个新的DataFrame。只能使用Scala或Java编写。 这些自定义函数可以帮助我们更好地处理数据,提高Spark的处理效率和灵活性。 ### 回答2: Spark大数据处理中一款极为流行的计算框架,自带的函数库(UDF)非常有限,无法满足大规模数据处理需求,因此需要 Spark 自定义函数(UDF)来弥补这一不足。自定义函数分为三种类型:UDF、UDAF、UDTF。 UDF(User-Defined Function)即用户自定义函数,是一种对 RDD 或 DataFrame 数据进行处理的自定义函数。使用 UDF,可以用编写的代码扩展 Spark 的现有函数库,使其支持更为复杂的操作,提高工作效率。使用 UDF 可以通过嵌套 SQL 或是反射来创建一个函数。UDF 主要通过 Spark SQL 来进行使用,对于 Python 程序员来说还有 UDF 对象模型。 UDAF(User-Defined Aggregation Function)即用户自定义聚合函数。UDAF 可以更好地封装用户自定义聚合函数过程,提高代码复用率,把整个聚合过程封装到一个函数中,便于调用和维护。通常使用 UDAF 构造聚合表达式并将其应用于 Spark SQL 查询。在使用聚合操作时,用户可以指定自定义函数,一般使用聚合函数配合 Spark SQL 或是 API 来使用。 UDTF(User-Defined Table-Generating Function)即用户自定义表格生成函数,可以将一个输入行拆分成多个输出行,还可以通过 UDTF 将一个输入列转化成多个输出列。UDTF 操作有助于负责多输出格式和分割的情况下,实现强大的集合任务文件解析和行转换。与 UDF 和 UDAF 类似,UDTF 可以在调用函数时使用 Apply 函数。UDTF 可以返回多个 Row 对象,并将其转换为新的 DataFrame。UDTF 可以将一行拆分成多行,进行数据拆分和处理的任务。 总而言之,自定义函数是一个非常强大的工具,可以扩展 Spark 的能力,提高计算效率和工作效率。通过三种类型的自定义函数(UDF、UDAF、UDTF),Spark 可以更方便地进行数据处理和分析,使这个框架具备更灵活的应用能力。 ### 回答3: Spark是一种分布式计算框架,其生态圈非常丰富。在Spark中,我们可以使用自定义函数(User Defined Function,简称UDF)、自定义聚合函数(User Defined Aggregate Function,简称UDAF)及自定义表生成函数(User Defined Table Generating Function,简称UDTF)来满足特定的需求。 UDF是Spark中最常用的自定义函数,特别适合对单个列或多个列进行简单转换的场景。UDF可以用Scala、Java或Python等语言来编写。在Scala或Java中定义UDF时,需要定义一个函数,并将它与SparkSession的udf()方法一起使用。在Python中,UDF的定义基于通用Python函数,使用Python的decorators来描述该函数的功能。 UDAF是用于聚合多个值的自定义函数。UDAF的好处是可以以两种不同的方式来使用:作为聚合函数或开窗函数。Spark提供了两种UDAF:typed aggregates和untyped aggregates。typed aggregates是一种类型安全的操作,可以通过将多个值组合在一起来处理。untyped aggregates是一种无类型的操作,需要我们自己来处理所有细节。 UDTF是用于生成几个结果表的自定义函数。在使用UDTF时,我们需要定义一个新的中间表来存储结果,然后将中间表传递给Spark SQL的from()方法,以创建最终结果。 无论使用哪种自定义函数,我们都需要考虑性能因素。因为我们的数据通常分布在多个计算节点上,所以不合理的计算可能会导致结果不准确或性能下降。另外,我们还需要确保我们的自定义函数能够处理大型数据集,并且具有足够的容错能力。 总之,Spark中的自定义函数可以帮助我们实现一些常规操作以外的数据处理需求。通过UDF、UDAF和UDTF,我们可以根据具体的场景设计出高效、可靠的数据处理方案。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值