本篇文章主要介绍:
- Transformation 与 Action 常用API 速览
- Transformation 与 Action 常用API DEMO
1. Transformation 与 Action 常用API
Spark支持两个类型(算子)操作:Transformation和Action
1.1Transformation
将一个已有的RDD生成另外一个RDD。
Transformation 具有 lazy 特性(延迟加载)。
Transformation 算子的代码不会真正被执行。只有当我们的程序里面遇到一个action算子的时候,代码才会真正的被执行。
这种设计让Spark更加有效率地运行。
转换 | 含义 |
---|---|
map(func) | 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 |
filter(func) | 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 |
flatMap(func) | 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) |
mapPartitions(func) | 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] |
mapPartitionsWithIndex(func) | 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] |
sample(withReplacement, fraction, seed) | 根据fraction指定的比例对数据进行采样,可以选择是否使用随机数进行替换,seed用于指定随机数生成器种子 |
union(otherDataset) | 对源RDD和参数RDD求并集后返回一个新的RDD |
intersection(otherDataset) | 对源RDD和参数RDD求交集后返回一个新的RDD |
distinct([numTasks])) | 对源RDD进行去重后返回一个新的RDD |
groupByKey([numTasks]) | 在一个(K,V)的RDD上调用,返回一个(K, Iterator[V])的RDD |
reduceByKey(func, [numTasks]) | 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,与groupByKey类似,reduce任务的个数可以通过第二个可选的参数来设置 |
aggregateByKey(zeroValue)(seqOp, combOp, [numTasks]) | 先按分区聚合 再总的聚合 每次要跟初始值交流 例如:aggregateByKey(0)(+,+) 对k/y的RDD进行操作 |
sortByKey([ascending], [numTasks]) | 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 |
sortBy(func,[ascending], [numTasks]) | 与sortByKey类似,但是更灵活 第一个参数是根据什么排序 第二个是怎么排序 false倒序 第三个排序后分区数 默认与原RDD一样 |
join(otherDataset, [numTasks]) | 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 相当于内连接(求交集) |
cogroup(otherDataset, [numTasks]) | 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 |
cartesian(otherDataset) | 两个RDD的笛卡尔积 的成很多个K/V |
pipe(command, [envVars]) | 调用外部程序 |
coalesce(numPartitions) | 重新分区 第一个参数是要分多少区,第二个参数是否shuffle 默认false 少分区变多分区 true 多分区变少分区 false |
repartition(numPartitions) | 重新分区 必须shuffle 参数是要分多少区 少变多 |
repartitionAndSortWithinPartitions(partitioner) | 重新分区+排序 比先分区再排序效率高 对K/V的RDD进行操作 |
foldByKey(zeroValue)(seqOp) | 该函数用于K/V做折叠,合并处理 ,与aggregate类似 第一个括号的参数应用于每个V值 第二括号函数是聚合例如:+ |
combineByKey | 合并相同的key的值 rdd1.combineByKey(x => x, (a: Int, b: Int) => a + b, (m: Int, n: Int) => m + n) |
partitionBy(partitioner) | 对RDD进行分区 partitioner是分区器 例如 new HashPartition(2) |
cache | RDD缓存,可以避免重复计算从而减少时间,区别:cache内部调用了persist算子,cache默认就一个缓存级别MEMORY-ONLY ,而persist则可以选择缓存级别 |
persist | RDD缓存,可以避免重复计算从而减少时间,区别:cache内部调用了persist算子,cache默认就一个缓存级别MEMORY-ONLY ,而persist则可以选择缓存级别 |
Subtract(rdd) | 返回前rdd元素不在后rdd的rdd |
leftOuterJoin | leftOuterJoin类似于SQL中的左外关联left outer join,返回结果以前面的RDD为主,关联不上的记录为空。只能用于两个RDD之间的关联,如果要多个RDD关联,多关联几次即可。 |
rightOuterJoin | rightOuterJoin类似于SQL中的有外关联right outer join,返回结果以参数中的RDD为主,关联不上的记录为空。只能用于两个RDD之间的关联,如果要多个RDD关联,多关联几次即可 |
subtractByKey | substractByKey和基本转换操作中的subtract类似只不过这里是针对K的,返回在主RDD中出现,并且不在otherRDD中出现的元素 |
1.2 Action
触发代码的运行,我们一段spark代码里面至少需要有一个action操作
动作 | 含义 |
---|---|
reduce(func) | 通过func函数聚集RDD中的所有元素,这个功能必须是可交换且可并联的 |
collect() | 在驱动程序中,以数组的形式返回数据集的所有元素 |
count() | 返回RDD的元素个数 |
first() | 返回RDD的第一个元素(类似于take(1)) |
take(n) | take用于获取RDD中从0到num-1下标的元素,不排序 |
takeSample(withReplacement,num, [seed]) | 返回一个数组,该数组由从数据集中随机采样的num个元素组成,可以选择是否用随机数替换不足的部分,seed用于指定随机数生成器种子 |
takeOrdered(n, [ordering]) | takeOrdered和top类似,只不过以和top相反的顺序返回元素。 |
saveAsTextFile(path) | 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 |
saveAsSequenceFile(path) | 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。 |
saveAsObjectFile(path) | 写HDFS |
countByKey() | 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。 |
foreach(func) | 在数据集的每一个元素上,运行函数func进行更新。 |
aggregate | 先对分区进行操作,在总体操作 |
reduceByKeyLocally | 该函数将RDD[K,V]中每个K对应的V值根据映射函数来运算,运算结果映射到一个Map[K,V]中,而不是RDD[K,V] |
lookup | lookup用于(K,V)类型的RDD,指定K值,返回RDD中该K对应的所有V值 |
top | top函数用于从RDD中,按照默认(降序)或者指定的排序规则,返回前num个元素。 |
fold | fold是aggregate的简化,将aggregate中的seqOp和combOp使用同一个函数op |
foreachPartition | 针对各分区的数据进行处理 |
API DEMO
package com.wj.spark;
import org.apache.spark.HashPartitioner;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.junit.Before;
import org.junit.Test;
import scala.Tuple2;
import java.util.ArrayList;
import java.util.Arrays;
import java.util.Iterator;
import java.util.List;
/**
* Transformation DEMO
*/
public class TransformationTest {
static SparkConf conf;
static JavaSparkContext sc;
@Before
public void setup() {
conf = new SparkConf();
conf.setMaster("local").setAppName("TestTransformation");
sc = new JavaSparkContext(conf);
}
@Test
public void testMap() {
String[] names = {"张无忌", "赵敏", "周芷若"};
JavaRDD<String> listRDD = sc.parallelize(Arrays.asList(names));
JavaRDD<String> nameRDD = listRDD.map(name -> "Hello " + name);
nameRDD.foreach(name -> System.out.println(name));
}
@Test
public void testFlatMap() {
List<String> list = Arrays.asList("张无忌 赵敏", "宋青书 周芷若");
JavaRDD<String> listRDD = sc.parallelize(list);
JavaRDD<String> nameRDD = listRDD
.flatMap(line -> Arrays.asList(line.split(" ")).iterator())
.map(name -> "Hello " + name);
nameRDD.foreach(name -> System.out.println(name));
}
/**
* <pre>
* map:
* 一条数据一条数据的处理(文件系统,数据库等等)
* mapPartitions:
* 一次获取的是一个分区的数据(hdfs)
*
* 正常情况下,mapPartitions 是一个高性能的算子
*
* 因为每次处理的是一个分区的数据,减少了去获取数据的次数
*
* 但是分区如果设置得不合理,有可能导致每个分区里面的数据量过大
* </pre>
*/
@Test
public void testMapPartitions() {
List<Integer> list = Arrays.asList(1, 2, 3, 4, 5, 6);
JavaRDD<Integer> listRDD = sc.parallelize(list, 3);
JavaRDD<String> rdd = listRDD.mapPartitions(iterator -> {
ArrayList<String> array = new ArrayList<>();
while (iterator.hasNext()) {
array.add("hello " + iterator.next());
}
return array.iterator();
});
rdd.foreach(name -> System.out.println(name));
}
@Test
public void testMapPartitionsWithIndex() {
List<Integer> list = Arrays.asList(1, 2, 3, 4, 5, 6, 7, 8);
JavaRDD<Integer> listRDD = sc.parallelize(list, 2);
JavaRDD<String> rdd = listRDD.mapPartitionsWithIndex((index, iterator) -> {
ArrayList<String> list1 = new ArrayList<>();
while (iterator.hasNext()) {
list1.add(index + "_" + iterator.next());
}
return list1.iterator();
}, true);
rdd.foreach(str -> System.out.println(str));
}
@Test
public void reduce() {
List<Integer> list = Arrays.asList(1, 2, 3, 4, 5, 6);
JavaRDD<Integer> listRDD = sc.parallelize(list);
System.out.println(listRDD.reduce(Integer::sum));
}
@Test
public void reduceByKey() {
List<Tuple2<String, Integer>> list = Arrays.asList(
new Tuple2<>("武当", 99),
new Tuple2<>("少林", 97),
new Tuple2<>("武当", 89),
new Tuple2<>("少林", 77)
);
JavaPairRDD<String, Integer> listRDD = sc.parallelizePairs(list);
JavaPairRDD<String, Integer> resultRDD = listRDD.reduceByKey(Integer::sum);
resultRDD.foreach(tuple -> System.out.println("门派: " + tuple._1 + " -> " + tuple._2));
}
@Test
public void union() {
final List<Integer> list1 = Arrays.asList(1, 2, 3, 4);
final List<Integer> list2 = Arrays.asList(3, 4, 5, 6);
final JavaRDD<Integer> rdd1 = sc.parallelize(list1);
final JavaRDD<Integer> rdd2 = sc.parallelize(list2);
rdd1.union(rdd2).foreach(num -> System.out.println(num));
}
@Test
@SuppressWarnings("unchecked")
public void groupByKey() {
List<Tuple2<String, String>> list = Arrays.asList(
new Tuple2("武当", "张三丰"),
new Tuple2("峨眉", "灭绝师太"),
new Tuple2("武当", "宋青书"),
new Tuple2("峨眉", "周芷若")
);
JavaPairRDD<String, String> listRDD = sc.parallelizePairs(list);
JavaPairRDD<String, Iterable<String>> groupByKeyRDD = listRDD.groupByKey();
groupByKeyRDD.foreach(tuple -> {
String menpai = tuple._1;
Iterator<String> iterator = tuple._2.iterator();
StringBuilder people = new StringBuilder();
while (iterator.hasNext()) {
people.append(iterator.next()).append(" ");
}
System.out.println("门派 : " + menpai + "; 人员 : " + people);
});
}
@Test
public void join() {
final List<Tuple2<Integer, String>> names = Arrays.asList(
new Tuple2<>(1, "东方不败"),
new Tuple2<>(2, "令狐冲"),
new Tuple2<>(3, "林平之")
);
final List<Tuple2<Integer, Integer>> scores = Arrays.asList(
new Tuple2<>(1, 99),
new Tuple2<>(2, 98),
new Tuple2<>(3, 97)
);
final JavaPairRDD<Integer, String> namesRdd = sc.parallelizePairs(names);
final JavaPairRDD<Integer, Integer> scoresRdd = sc.parallelizePairs(scores);
final JavaPairRDD<Integer, Tuple2<String, Integer>> joinRDD = namesRdd.join(scoresRdd);
joinRDD.foreach(tuple -> System.out.println("学号:" + tuple._1 + "; 姓名:" + tuple._2._1 + "; 成绩:" + tuple._2._2));
}
@Test
public void sample() {
ArrayList<Integer> list = new ArrayList<>();
for (int i = 1; i <= 100; i++) {
list.add(i);
}
JavaRDD<Integer> listRDD = sc.parallelize(list);
JavaRDD<Integer> sampleRDD = listRDD.sample(false, 0.1, 0);
sampleRDD.foreach(num -> System.out.print(num + " "));
}
@Test
public void cartesian() {
List<String> list1 = Arrays.asList("A", "B");
List<Integer> list2 = Arrays.asList(1, 2, 3);
JavaRDD<String> list1RDD = sc.parallelize(list1);
JavaRDD<Integer> list2RDD = sc.parallelize(list2);
list1RDD.cartesian(list2RDD).foreach(tuple -> System.out.println(tuple._1 + " -> " + tuple._2));
}
@Test
public void filter() {
List<Integer> list = Arrays.asList(1, 2, 3, 4, 5, 6, 7, 8, 9, 10);
JavaRDD<Integer> listRDD = sc.parallelize(list);
JavaRDD<Integer> filterRDD = listRDD.filter(num -> num % 2 == 0);
filterRDD.foreach(num -> System.out.print(num + " "));
}
@Test
public void distinct() {
List<Integer> list = Arrays.asList(1, 1, 2, 2, 3, 3, 4, 5);
JavaRDD<Integer> listRDD = sc.parallelize(list);
listRDD.distinct().foreach(num -> System.out.println(num));
}
@Test
public void intersection() {
List<Integer> list1 = Arrays.asList(1, 2, 3, 4);
List<Integer> list2 = Arrays.asList(3, 4, 5, 6);
JavaRDD<Integer> list1RDD = sc.parallelize(list1);
JavaRDD<Integer> list2RDD = sc.parallelize(list2);
list1RDD.intersection(list2RDD).foreach(num -> System.out.println(num));
}
/**
* 分区数由多 -> 变少 (如过滤部分数据后,数据量减少,可以缩减Task)
*/
@Test
public void coalesce() {
List<Integer> list = Arrays.asList(1, 2, 3, 4, 5, 6, 7, 8, 9);
JavaRDD<Integer> listRDD = sc.parallelize(list, 3);
listRDD.coalesce(1).foreach(num -> System.out.println(num));
}
/**
* 进行重分区,解决的问题:本来分区数少 -> 增加分区数
*/
@Test
public void replication() {
List<Integer> list = Arrays.asList(1, 2, 3, 4);
JavaRDD<Integer> listRDD = sc.parallelize(list, 1);
listRDD.repartition(2).foreach(num -> System.out.println(num));
}
/**
* repartitionAndSortWithinPartitions 函数是 repartition 函数的变种
* <p>
* 与 repartition 函数不同的是,repartitionAndSortWithinPartitions 在给定的 partitioner 内部进行排序,性能比repartition要高
*/
@Test
public void repartitionAndSortWithinPartitions() {
List<Integer> list = Arrays.asList(1, 4, 55, 66, 33, 48, 23);
JavaRDD<Integer> listRDD = sc.parallelize(list, 1);
JavaPairRDD<Integer, Integer> pairRDD = listRDD.mapToPair(num -> new Tuple2<>(num, num));
JavaRDD<String> rdd = pairRDD.repartitionAndSortWithinPartitions(new HashPartitioner(3))
.mapPartitionsWithIndex((index, iterator) -> {
ArrayList<String> list1 = new ArrayList<>();
while (iterator.hasNext()) {
list1.add(index + "_" + iterator.next());
}
return list1.iterator();
}, false);
rdd.foreach(str -> System.out.println(str));
}
/**
* 对两个RDD 中的 KV 元素,每个RDD中相同 key 中的元素分别聚合成一个集合
* <p>
* 与 reduceByKey 不同的是针对两个RDD中相同的 key 的元素进行合并
*/
@Test
public void cogroup() {
List<Tuple2<Integer, String>> list1 = Arrays.asList(
new Tuple2<>(1, "www"),
new Tuple2<>(1, "qqq"),
new Tuple2<>(2, "bbs")
);
List<Tuple2<Integer, String>> list2 = Arrays.asList(
new Tuple2<>(1, "cnblog"),
new Tuple2<>(2, "cnblog"),
new Tuple2<>(3, "very")
);
List<Tuple2<Integer, String>> list3 = Arrays.asList(
new Tuple2<>(1, "com"),
new Tuple2<>(2, "com"),
new Tuple2<>(3, "good")
);
JavaPairRDD<Integer, String> list1RDD = sc.parallelizePairs(list1);
JavaPairRDD<Integer, String> list2RDD = sc.parallelizePairs(list2);
JavaPairRDD<Integer, String> list3RDD = sc.parallelizePairs(list3);
list1RDD.cogroup(list2RDD, list3RDD).foreach(tuple ->
System.out.println(tuple._1 + " " + tuple._2._1() + " " + tuple._2._2() + " " + tuple._2._3()));
}
@Test
public void sortByKey() {
List<Tuple2<Integer, String>> list = Arrays.asList(
new Tuple2<>(99, "张三丰"),
new Tuple2<>(96, "东方不败"),
new Tuple2<>(66, "林平之"),
new Tuple2<>(98, "聂风")
);
JavaPairRDD<Integer, String> listRDD = sc.parallelizePairs(list);
listRDD.sortByKey(false).foreach(tuple -> System.out.println(tuple._2 + "->" + tuple._1));
}
@Test
public void aggregateByKey() {
List<String> list = Arrays.asList("you,jump", "i,jump");
JavaRDD<String> listRDD = sc.parallelize(list);
listRDD.flatMap(line -> Arrays.asList(line.split(",")).iterator())
.mapToPair(word -> new Tuple2<>(word, 1))
.aggregateByKey(0, (x, y) -> x + y, (m, n) -> m + n)
.foreach(tuple -> System.out.println(tuple._1 + " -> " + tuple._2));
}
@Test
public void aggregateByKey_2() {
List<String> list = Arrays.asList("you,jump", "i,jump");
JavaRDD<String> listRDD = sc.parallelize(list,2);
listRDD.flatMap(line -> Arrays.asList(line.split(",")).iterator())
.mapToPair(word -> new Tuple2<>(word, 1))
.aggregateByKey(0, (x, y) -> (x + y) * 10, (m, n) -> m + n)
.foreach(tuple -> System.out.println(tuple._1 + " -> " + tuple._2));
}
}