spark常见的RDD

1. RDD定义
   弹性分布式数据集。 是spark为简化用户的使用，对所有的底层数据进行的抽象，以面向对象的方式提供了RDD很多的方法，通过这些方法来对RDD进行计算和输出。RDD是Spark的基石，所有的上层模块全部都是由RDD来实现。

2. RDD的特性
   a）不可变， 对于所有RDD的操作都将产生一个新的RDD。
   b)可分区， RDD是通过将数据进行分区保存的。
   c)弹性：
   存储的弹性：内存与磁盘的自动切换
   容错的弹性：数据丢失可以自动恢复
   计算的弹性：计算出错重试机制
   分片的弹性：根据需要重新分片

3. 外部数据集到了spark经过哪些处理。

4.RDD常见的一些转换算子
4.1RDD的创建
在Spark中创建RDD的创建方式大概可以分为三种：
4.1.1）从集合中创建RDD；
从集合中创建RDD，Spark主要提供了两种函数：parallelize和makeRDD
a)使用parallelize()从集合创建
def parallelize[T: ClassTag]( seq: Seq[T], numSlices: Int = defaultParallelism): RDD[T]

scala> val rdd = sc.parallelize(Array(1,2,3,4,5,6,7,8))
rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[0] at parallelize at <console>:24 

b)使用makeRDD()从集合创建
b1)def makeRDD[T: ClassTag]( seq: Seq[T], numSlices: Int = defaultParallelism): RDD[T] conf.getInt(“spark.default.parallelism”, math.max(totalCoreCount.get(), 2))
b2)def makeRDD[T: ClassTag](seq: Seq[(T, Seq[String])]): RDD[T] 可以为单个数据对象设置存放的节点

scala> val rdd1 = sc.makeRDD(Array(1,2,3,4,5,6,7,8)) 
rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[1] at makeRDD at <console>:24

4.1.2）从外部存储创建RDD；

scala> val rdd2= sc.textFile("hdfs://hadoop102:9000/RELEASE")
	rdd2: org.apache.spark.rdd.RDD[String] = hdfs://hadoop102:9000/RELEASE 	MapPartitionsRDD[4] at textFile at <console>:24

4.1.3）、从其他RDD创建。
4.2 value类型RDD的转换
RDD中的所有转换都是懒加载的，它们并不会直接计算结果。它们只是记住这些应用到基础数据集（例如一个文件）上的转换动作。只有当发生一个要求返回结果给Driver的动作时，这些转换才会真正运行。这种设计让Spark更加有效率地运行。
RDD整体上分为Value类型和Key-Value类型：

4.2.1）map

def map[U: ClassTag](f: T => U): RDD[U]	返回一个新的RDD，该RDD由每一个输入元素经过func函数转换后组成

4.2.2)mapPartitions

def mapPartitions[U: ClassTag](f: Iterator[T] => Iterator[U], preservesPartitioning: Boolean = false): RDD[U]	类似于map，但独立地在RDD的每一个分片上运行，因此在类型为T的RDD上运行时，func的函数类型必须是Iterator[T] => Iterator[U]。假设有N个元素，有M个分区，那么map的函数的将被调用N次,而mapPartitions被调用M次,一个函数一次处理所有分区对于一个分区中的所有数据执行一个函数，性能比map要高。

4.2.3)mapPartitionsWithIndex

def mapPartitionsWithIndex[U: ClassTag](f: (Int, Iterator[T]) => Iterator[U], preservesPartitioning: Boolean = false): RDD[U]	类似于mapPartitions，但func带有一个整数参数表示分片的索引值，因此在类型为T的RDD上运行时，func的函数类型必须是(Int, Interator[T]) => Iterator[U]

注意：map()：每次处理一条数据。mapPartitions()：每次处理一个分区的数据，这个分区的数据处理完后，原RDD中分区的数据才能释放，可能导致OOM。因此当内存空间较大的时候建议使用mapPartition()，以提高处理效率。
4.2.4）flatMap

def flatMap[U: ClassTag](f: T => TraversableOnce[U]): RDD[U]	类似于map，但是每一个输入元素可以被映射为0或多个输出元素（所以func应该返回一个序列，而不是单一元素）

4.2.5）glom

def glom(): RDD[Array[T]]	将每一个分区形成一个数组，形成新的RDD类型时RDD[Array[T]]

4.2.6）groupBy

def groupBy[K: ClassTag](f: T => K): RDD[(K, Iterable[T])]	groupBy算子接收一个函数，这个函数返回的值作为key，然后通过这个key来对里面的元素进行分组。

val a = sc.parallelize(1 to 9, 3)
a.groupBy(x => { if (x % 2 == 0) "new" else "old" }).collect
//返回的new或者old字符串作为key来group RDD里面的值，
res42: Array[(String, Seq[Int])] = Array((new,ArrayBuffer(2, 4, 6, 8)), (old,ArrayBuffer(1, 3, 5, 7, 9)))

例

 scala> val rdd = sc.parallelize(1 to 4)
    rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[65] at parallelize at <console>:24
    scala> val group = rdd.groupBy(_%2)
    group: org.apache.spark.rdd.RDD[(Int, Iterable[Int])] = ShuffledRDD[2] at groupBy at <console>:26
    scala> group.collect
    res0: Array[(Int, Iterable[Int])] = Array((0,CompactBuffer(2, 4)), (1,CompactBuffer(1, 3)))

4.2.7)filter

def filter(f: T => Boolean): RDD[T]	过滤。返回一个新的RDD，该RDD由经过func函数计算后返回值为true的输入元素组成

4.2.8）sample(withReplacement, fraction, seed)

def sample(withReplacement: Boolean,fraction: Double,seed: Long = Utils.random.nextLong): RDD[T]	以指定的随机种子随机抽样出数量为fraction的数据，withReplacement表示是抽出的数据是否放回，true为有放回的抽样，false为无放回的抽样，seed用于指定随机数生成器种子。例子从RDD中随机且有放回的抽出50%的数据，随机种子值为3（即可能以1 2 3的其中一个起始值）比如当前时间戳,作用：在数据倾斜的时候，我们那么多数据如果想知道那个key倾斜了，就需要我们采样获取这些key，如果这些key数据不是很重要的话，可以过滤掉，这样就解决了数据倾斜。

4.2.9）distinct

def distinct(): RDD[T]	对源RDD进行去重后返回一个新的RDD. 默认情况下，只有8个并行任务来操作，但是可以传入一个可选的numTasks参数改变它。

4.2.10）coalesce(numPartitions)

def coalesce(numPartitions: Int, shuffle: Boolean = false,partitionCoalescer: Option[PartitionCoalescer] = Option.empty)(implicit ord: Ordering[T] = null) : RDD[T]	缩减分区数，用于大数据集过滤后，提高小数据集的执行效率。

4.2.11）repartition(numPartitions)

def repartition(numPartitions: Int)(implicit ord: Ordering[T] = null): RDD[T]	根据分区数，从新通过网络随机洗牌所有数据。

注意：coalesce和repartition的区别
a)coalesce重新分区，可以选择是否进行shuffle过程。由参数shuffle: Boolean = false/true决定。
b)repartition实际上是调用的coalesce，进行shuffle。源码如下：
def repartition(numPartitions: Int)(implicit ord: Ordering[T] = null): RDD[T] = withScope {
coalesce(numPartitions, shuffle = true)
}
4.2.12)sortBy(func,[ascending], [numTasks])

def sortBy[K]( f: (T) => K, ascending: Boolean = true, numPartitions: Int = this.partitions.length) (implicit ord: Ordering[K], ctag: ClassTag[K]): RDD[T] 根据f函数提供可以排序的key	与sortByKey类似，但是更灵活,可以用func先对数据进行处理，按照处理后的数据比较结果排序。默认为正序。

4.2.13)pipe(command, [envVars])

pipe(command, [envVars])	对于每个分区，都执行一个perl或者shell脚本，返回输出的RDD

Shell脚本
#!/bin/sh
echo "AA"
while read LINE; do
   echo ">>>"${LINE}
done

4.3 双value类型RDD的转换
4.3.1） union(otherDataset)

def union(other: RDD[T]): RDD[T]	对源RDD和参数RDD求并集后返回一个新的RDD

4.3.2）subtract (otherDataset)

def subtract(other: RDD[T]): RDD[T]	计算差的一种函数去除两个RDD中相同的元素，不同的RDD将保留下来

4.3.3）intersection(otherDataset)

def intersection(other: RDD[T]): RDD[T]	对源RDD和参数RDD求交集后返回一个新的RDD

4.3.4） cartesian(otherDataset)

def cartesian[U: ClassTag](other: RDD[U]): RDD[(T, U)]	做笛卡尔积。 n * m

4.3.5）zip(otherDataset)

def zip[U: ClassTag](other: RDD[U]): RDD[(T, U)]	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。

例：创建两个RDD，并将两个RDD组合到一起形成一个(k,v)RDD
（1）创建第一个RDD
scala> val rdd1 = sc.parallelize(Array(1,2,3),3)
rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[1] at parallelize at <console>:24
（2）创建第二个RDD（与1分区数相同）
scala> val rdd2 = sc.parallelize(Array("a","b","c"),3)
rdd2: org.apache.spark.rdd.RDD[String] = ParallelCollectionRDD[2] at parallelize at <console>:24
（3）第一个RDD组合第二个RDD并打印
scala> rdd1.zip(rdd2).collect
res1: Array[(Int, String)] = Array((1,a), (2,b), (3,c))
（4）第二个RDD组合第一个RDD并打印
scala> rdd2.zip(rdd1).collect
res2: Array[(String, Int)] = Array((a,1), (b,2), (c,3))
（5）创建第三个RDD（与1,2分区数不同）
scala> val rdd3 = sc.parallelize(Array("a","b","c"),2)
rdd3: org.apache.spark.rdd.RDD[String] = ParallelCollectionRDD[5] at parallelize at <console>:24
（6）第一个RDD组合第三个RDD并打印
scala> rdd1.zip(rdd3).collect
java.lang.IllegalArgumentException: Can't zip RDDs with unequal numbers of partitions: List(3, 2)
  at org.apache.spark.rdd.ZippedPartitionsBaseRDD.getPartitions(ZippedPartitionsRDD.scala:57)
  at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:252)
  at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:250)
  at scala.Option.getOrElse(Option.scala:121)
  at org.apache.spark.rdd.RDD.partitions(RDD.scala:250)
  at org.apache.spark.SparkContext.runJob(SparkContext.scala:1965)
  at org.apache.spark.rdd.RDD$$anonfun$collect$1.apply(RDD.scala:936)
  at org.apache.spark.rdd.RDDOperationScope$.withScope(RDDOperationScope.scala:151)
  at org.apache.spark.rdd.RDDOperationScope$.withScope(RDDOperationScope.scala:112)
  at org.apache.spark.rdd.RDD.withScope(RDD.scala:362)
  at org.apache.spark.rdd.RDD.collect(RDD.scala:935)
  ... 48 elided

4.4 Key-Value类型RDD的转换
4.4.1）partitionBy

partitionBy(partitioner: Partitioner): RDD[(K, V)]	对RDD进行分区操作，如果原有的partionRDD和现有的partionRDD是一致的话就不进行分区，否则会生成ShuffleRDD.

4.4.2）reduceByKey(func, [numTasks])

def reduceByKey(func: (V, V) => V): RDD[(K, V)]	在一个(K,V)的RDD上调用，返回一个(K,V)的RDD，使用指定的reduce函数，将相同key的值聚合到一起，reduce任务的个数可以通过第二个可选的参数来设置

4.4.3）groupByKey

def groupByKey(partitioner: Partitioner): RDD[(K, Iterable[V])]	groupByKey也是对每个key进行操作，但只生成一个sequence。即将key相同的value聚集在一起。

注意：reduceByKey：按照key进行聚合，在shuffle之前有combine（预聚合）操作，返回结果是RDD[k,v]。 groupByKey：按照key进行分组，直接进行shuffle。建议使用reduceByKey，但是需要注意是否会影响业务逻辑。
4.4.4）combineByKey

def combineByKey[C](createCombiner: V => C,mergeValue: (C, V) => C,mergeCombiners: (C, C) => C,numPartitions: Int): RDD[(K, C)]	对相同K，把V合并成一个集合。createCombiner: combineByKey() 会遍历分区中的所有元素，因此每个元素的键要么还没有遇到过，要么就 和之前的某个元素的键相同。如果这是一个新的元素,combineByKey() 会使用一个叫作 createCombiner() 的函数来创建那个键对应的累加器的初始值。mergeValue: 如果这是一个在处理当前分区之前已经遇到的键， 它会使用 mergeValue() 方法将该键的累加器对应的当前值与这个新的值进行合并。mergeCombiners: 由于每个分区都是独立处理的， 因此对于同一个键可以有多个累加器。如果有两个或者更多的分区都有对应同一个键的累加器， 就需要使用用户提供的。mergeCombiners() 方法将各个分区的结果进行合并。

（1）创建一个pairRDD
scala> val input = sc.parallelize(Array(("a", 88), ("b", 95), ("a", 91), ("b", 93), ("a", 95), ("b", 98)),2)
input: org.apache.spark.rdd.RDD[(String, Int)] = ParallelCollectionRDD[52] at parallelize at <console>:26
（2）将相同key对应的值相加，同时记录该key出现的次数，放入一个二元组
scala> val combine = input.combineByKey((_,1),(acc:(Int,Int),v)=>(acc._1+v,acc._2+1),(acc1:(Int,Int),acc2:(Int,Int))=>(acc1._1+acc2._1,acc1._2+acc2._2))
combine: org.apache.spark.rdd.RDD[(String, (Int, Int))] = ShuffledRDD[5] at combineByKey at <console>:28
（3）打印合并后的结果
scala> combine.collect
res5: Array[(String, (Int, Int))] = Array((b,(286,3)), (a,(274,3)))
（4）计算平均值
scala> val result = combine.map{case (key,value) => (key,value._1/value._2.toDouble)}
result: org.apache.spark.rdd.RDD[(String, Double)] = MapPartitionsRDD[54] at map at <console>:30
（5）打印结果
scala> result.collect()
res33: Array[(String, Double)] = Array((b,95.33333333333333), (a,91.33333333333333))

4.4.5）aggregateByKey

def aggregateByKey[U: ClassTag](zeroValue: U, partitioner: Partitioner)(seqOp: (U, V) => U,combOp: (U, U) => U): RDD[(K, U)]	在kv对的RDD中，，按key将value进行分组合并，合并时，将每个value和初始值作为seq函数的参数，进行计算，返回的结果作为一个新的kv对，然后再将结果按照key进行合并，最后将每个分组的value传递给combine函数进行计算（先将前两个value进行计算，将返回结果和下一个value传给combine函数，以此类推），将key与计算结果作为一个新的kv对输出。seqOp函数用于在每一个分区中用初始值逐步迭代value，combOp函数用于合并每个分区中的结果。是CombineByKey的简化版，可以通过zeroValue直接提供一个初始值。

解析：分一个分区，以key为1的分区为例，0先和3比较得3，3在和2比较得3，3在和4比较得4，所以整个key为1的组最终结果为（1，4），同理，key为2的最终结果为（2，3），key为3的为（3，8）。
如果分三个分区，前两个是一个分区，中间两个是一个分区，最后两个是一个分区，第一个分区的最终结果为（1，3），第二个分区为（1，4）（2，3），最后一个分区为（3，8），combine后为 (3,8), (1,7), (2,3)

4.4.6） foldByKey

15、def foldByKey(zeroValue: V, partitioner: Partitioner)(func: (V, V) => V): RDD[(K, V)]	该函数为aggregateByKey的简化版，seqOp和combOp一样，相同。

4.4.7） sortByKey([ascending], [numTasks])

def sortBy[K]( f: (T) => K, ascending: Boolean = true, numPartitions: Int = this.partitions.length) (implicit ord: Ordering[K], ctag: ClassTag[K]): RDD[T]	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(K,V)的RDD。根据f函数提供可以排序的key

4.4.8）def mapValues[U](f: V => U): RDD[(K, U)]

def mapValues[U](f: V => U): RDD[(K, U)]	针对于(K,V)形式的类型只对V进行操作

4.4.9）join

def join[W](other: RDD[(K, W)], partitioner: Partitioner): RDD[(K, (V, W))]	在类型为(K,V)和(K,W)的RDD上调用，返回一个相同key对应的所有元素对在一起的(K,(V,W))的RDD

JOIN ： 只留下双方都有KEY
left JOIN： 留下左边RDD所有的数据
right JOIN： 留下右边RDD所有的数据
4.4.10） cogroup(otherDataset, [numTasks])

def cogroup[W](other: RDD[(K, W)], partitioner: Partitioner) : RDD[(K, (Iterable[V], Iterable[W]))]	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

5常见的action算子

5.1 reduce(func)
作用：通过func函数聚集RDD中的所有元素，先聚合分区内数据，再聚合分区间数据。

例：创建一个RDD，将所有元素聚合得到结果
（1）创建一个RDD[Int]
scala> val rdd1 = sc.makeRDD(1 to 10,2)
rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[85] at makeRDD at <console>:24
（2）聚合RDD[Int]所有元素
scala> rdd1.reduce(_+_)
res50: Int = 55
（3）创建一个RDD[String]
scala> val rdd2 = sc.makeRDD(Array(("a",1),("a",3),("c",3),("d",5)))
rdd2: org.apache.spark.rdd.RDD[(String, Int)] = ParallelCollectionRDD[86] at makeRDD at <console>:24
（4）聚合RDD[String]所有数据
scala> rdd2.reduce((x,y)=>(x._1 + y._1,x._2 + y._2))
res51: (String, Int) = (adca,12)

5.2 collect()
作用：在驱动程序中，以数组的形式返回数据集的所有元素。

例：创建一个RDD，并将RDD内容收集到Driver端打印
（1）创建一个RDD
scala> val rdd = sc.parallelize(1 to 10)
rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[0] at parallelize at <console>:24
（2）将结果收集到Driver端
scala> rdd.collect
res0: Array[Int] = Array(1, 2, 3, 4, 5, 6, 7, 8, 9, 10)

5.3 count()
作用：返回RDD中元素的个数

例：创建一个RDD，统计该RDD的条数
（1）创建一个RDD
scala> val rdd = sc.parallelize(1 to 10)
rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[0] at parallelize at <console>:24
（2）统计该RDD的条数
scala> rdd.count
res1: Long = 10

5.4 first()
作用：返回RDD中的第一个元素

例：创建一个RDD，返回该RDD中的第一个元素
（1）创建一个RDD
scala> val rdd = sc.parallelize(1 to 10)
rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[0] at parallelize at <console>:24
（2）统计该RDD的条数
scala> rdd.first
res2: Int = 1

5.5 take(n)
作用：返回一个由RDD的前n个元素组成的数组

例：创建一个RDD，统计该RDD的条数
（1）创建一个RDD
scala> val rdd = sc.parallelize(Array(2,5,4,6,8,3))
rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[2] at parallelize at <console>:24
（2）统计该RDD的条数
scala> rdd.take(3)
res10: Array[Int] = Array(2, 5, 4)

5.6 takeOrdered(n)
作用：返回该RDD排序后的前n个元素组成的数组

例：创建一个RDD，统计该RDD的条数
（1）创建一个RDD
scala> val rdd = sc.parallelize(Array(2,5,4,6,8,3))
rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[2] at parallelize at <console>:24
（2）统计该RDD的条数
scala> rdd.takeOrdered(3)
res18: Array[Int] = Array(2, 3, 4)

5.7 aggregate
参数：(zeroValue: U)(seqOp: (U, T) ⇒ U, combOp: (U, U) ⇒ U)
作用：aggregate函数将每个分区里面的元素通过seqOp和初始值进行聚合，然后用combine函数将每个分区的结果和初始值(zeroValue)进行combine操作。这个函数最终返回的类型不需要和RDD中元素类型一致。

例：创建一个RDD，将所有元素相加得到结果
（1）创建一个RDD
scala> var rdd1 = sc.makeRDD(1 to 10,2)
rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[88] at makeRDD at <console>:24
（2）将该RDD所有元素相加得到结果
scala> rdd.aggregate(0)(_+_,_+_)
res22: Int = 55

5.8 fold(num)(func)
作用：折叠操作，aggregate的简化操作，seqop和combop一样。

例：创建一个RDD，将所有元素相加得到结果
（1）创建一个RDD
scala> var rdd1 = sc.makeRDD(1 to 10,2)
rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[88] at makeRDD at <console>:24
（2）将该RDD所有元素相加得到结果
scala> rdd.fold(0)(_+_)
res24: Int = 55

5.9 saveAsTextFile(path)
作用：将数据集的元素以textfile的形式保存到HDFS文件系统或者其他支持的文件系统，对于每个元素，Spark将会调用toString方法，将它装换为文件中的文本
5.10 saveAsSequenceFile(path)
作用：将数据集中的元素以Hadoop sequencefile的格式保存到指定的目录下，可以使HDFS或者其他Hadoop支持的文件系统。
5.11 saveAsObjectFile(path)
作用：用于将RDD中的元素序列化成对象，存储到文件中。
5.12 countByKey()案例
作用：针对(K,V)类型的RDD，返回一个(K,Int)的map，表示每一个key对应的元素个数。

例：创建一个PairRDD，统计每种key的个数
（1）创建一个PairRDD
scala> val rdd = sc.parallelize(List((1,3),(1,2),(1,4),(2,3),(3,6),(3,8)),3)
rdd: org.apache.spark.rdd.RDD[(Int, Int)] = ParallelCollectionRDD[95] at parallelize at <console>:24
（2）统计每种key的个数
scala> rdd.countByKey
res63: scala.collection.Map[Int,Long] = Map(3 -> 2, 1 -> 3, 2 -> 1)

5.13 foreach(func)案例
作用：在数据集的每一个元素上，运行函数func进行更新。

例：创建一个RDD，对每个元素进行打印
（1）创建一个RDD
scala> var rdd = sc.makeRDD(1 to 5,2)
rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[107] at makeRDD at <console>:24
（2）对该RDD每个元素进行打印
scala> rdd.foreach(println(_))
3
4
5
1
2