一文学完Spark常用算子（Spark算子大全）

前言

Spark RDD的算子分为转换算子（Transformation）和行动算子（Action）。

转换算子

转换算子分为：Value类型、双Value类型和K-V类型。

一、Value类型

1. map

将处理的数据逐条进行映射转换，这里的转换可以是类型的转换，也可以是值的转换。

例子：

val sc = new SparkContext(new SparkConf().setMaster("local[*]").setAppName("Operator"))
val rdd = sc.makeRDD(
    List(1, 2, 3, 4)
)
val mapRDD = rdd.map(_*2)
mapRDD.collect().foreach(println)
sc.stop()

2. mapPartitions

以分区为单位对数据进行处理，这里的处理是指可以进行任意的处理，哪怕是过滤数据。

例子：

val sc = new SparkContext(new SparkConf().setMaster("local[*]").setAppName("Operator"))
val rdd = sc.makeRDD(
    List(1, 2, 3, 4), 2
)
val mapRDD = rdd.mapPartitions(datas => datas.map(_*2))
mapRDD.collect().foreach(println)
sc.stop()

注意：

1、会将整个分区的数据加载到内存，如果处理完不被释放，在内存较小并且数据量较大的情况下，容易出现内存溢出（OOM）

2、可以实现一些特殊功能，比如取每个分区中最大值，map无法实现

3. mapPartitionsWithIndex

类似于mapPartitions，比mapPartitions多一个参数来表示分区号

例子：

val sc = new SparkContext(new SparkConf().setMaster("local[*]").setAppName("Operator"))
val rdd = sc.makeRDD(
    List(1, 2, 3, 4), 2
)
val mapRDD = rdd.mapPartitionsWithIndex((index, datas) =>{
      index match {
        case 1 => datas.map(_ * 2)
        case _ => datas
      }
    })
mapRDD.collect().foreach(println)
sc.stop()

4. flatMap

将处理的数据进行扁平化后再进行映射处理，所以算子也称为扁平映射。返回一个可迭代的集合。

例子：

val sc = new SparkContext(new SparkConf().setMaster("local[*]").setAppName("Operator"))
val rdd = sc.makeRDD(
    List(List(1, 2), List(3, 4))
)
val fmRDD = rdd.flatMap(
    list => {
        list
    }
)
fmRDD.collect().foreach(println)
sc.stop()

当集合中的数据类型不同时，可以使用match case进行模式匹配，转换成集合类型。

例子：

val sc = new SparkContext(new SparkConf().setMaster("local[*]").setAppName("Operator"))
val rdd = sc.makeRDD(
    List(List(1, 2),3, List(3, 4))
)
val fmRDD = rdd.flatMap {
    case list: List[_] => list
    case d => List(d)
}
fmRDD.collect().foreach(println)
sc.stop()

5. glom

将RDD中每一个分区变成一个数组，数组中元素类型与原分区中元素类型一致。

例子：

val sc = new SparkContext(new SparkConf().setMaster("local[*]").setAppName("Operator"))
val rdd = sc.makeRDD(
    List(1, 2, 3, 4),2
)
val gRDD = rdd.glom()
gRDD.collect().foreach(data => println(data.mkString(",")))
sc.stop()

6. groupBy

根据指定的规则进行分组，分区默认不变，数据会被打乱（shuffle）。极限情况下，数据可能会被分到同一个分区中。

一个分区可以有多个组，一个组只能在一个分区中。

例子：

val sc = new SparkContext(new SparkConf().setMaster("local[*]").setAppName("Operator"))
val rdd = sc.makeRDD(
    List(1, 2, 3, 4),2
)
// groupBy 会将数据源中的每一个数据进行分组判断，根据返回的分组key进行分组，相同的key值的数据会被放置在一个组中
def groupFunction(num:Int):Int = {
    num % 2
}
val groupRDD = rdd.groupBy(groupFunction)
groupRDD.collect().foreach(println)
sc.stop()

7. filter

根据指定的规则进行筛选过滤，符合规则的数据保留，不符合的丢弃。

当数据进行筛选过滤后，分区不变，但是分区内数据可能不均衡，导致数据倾斜。

例子：

val sc = new SparkContext(new SparkConf().setMaster("local[*]").setAppName("Operator"))
val rdd = sc.makeRDD(
    List(1, 2, 3, 4),2
)
val filterRDD = rdd.filter(_ % 2 == 1)
filterRDD.collect().foreach(println)
sc.stop()

8. sample

根据指定规则从数据集中采样数据。通过它可以找到数据倾斜的key。

val sc = new SparkContext(new SparkConf().setMaster("local[*]").setAppName("Operator"))
val rdd = sc.makeRDD(
    List(1, 2, 3, 4),2
)
println(rdd.sample(
    true,
    2
    //      1
).collect().mkString((",")))
sc.stop()

9. distinct

将数据集中的数据去重。使用分布式处理方式实现，与内存集合使用HashSet去重方式不同。

例子：

val sc = new SparkContext(new SparkConf().setMaster("local[*]").setAppName("Operator"))
val rdd = sc.makeRDD(
    List(1, 2, 3, 4, 2, 3, 1),2
)
val distinctRDD = rdd.distinct()
distinctRDD.collect().foreach(println)
// 内存集合distinct的去重方式使用 HashSet 去重
// List(1,1,2,2).distinct
sc.stop()

10. coalesce

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时，可以通过coalesce合并分区，减少分区个数，进而减少任务调度成本。

例子：

val sc = new SparkContext(new SparkConf().setMaster("local[*]").setAppName("Operator"))
val rdd = sc.makeRDD(
    List(1, 2, 3, 4, 5, 6),3
)
// 无shuffle
val coaRDD = rdd.coalesce(2)
// 有shuffle
// val coaRDD = rdd.coalesce(2, true)
coaRDD.saveAsTextFile("output1")
sc.stop()

注意：

1、coalesce默认不会将分区数据打乱重新组合，这种情况会导致数据不均衡，出现数据倾斜

2、可以设置第二个参数为true，进行shuffle处理，让数据均衡

3、扩大分区时，可以使用coalesce(,true)或者repartition

11. sortBy

根据指定规则进行排序，默认升序，设置第二个参数改变排序方式。

默认情况下，不会改变分区个数，但是中间存在shuffle处理。

val sc = new SparkContext(new SparkConf().setMaster("local[*]").setAppName("Operator"))
val rdd = sc.makeRDD(
    List(4, 5, 1, 3, 2, 6),2
)
val sortRDD = rdd.sortBy(num => num)
sortRDD.saveAsTextFile("output")
sc.stop()

二、双Value类型

1. intersection

两个RDD求交集

2. union

两个RDD求并集

3. subtract

两个RDD求差集

4. zip

拉链操作，以键值对的形式进行合并。

例子：

val sc = new SparkContext(new SparkConf().setMaster("local[*]").setAppName("Operator"))
val rdd1 = sc.makeRDD(List(1,2,3,4))
val rdd2 = sc.makeRDD(List(3,4,5,6))

// 要求两个数据源数据类型保持一致
// 求交集
//    val newRDD = rdd1.intersection(rdd2)
// 求并集 : 只是合并不去重，要想去重可以使用 distinct 算子进行去重
//    val newRDD = rdd1.union(rdd2)
// 求差集
//    val newRDD = rdd1.subtract(rdd2)
// 拉链, 对应位置一对一映射，组成（key,value），需要每个对应分区上的数据个数相同
val newRDD = rdd1.zip(rdd2)
println(newRDD.collect().mkString(","))
sc.stop()

注意：

1、intersection，union和subtract要求两个RDD中的数据类型保持一致

2、zip：不要求两个RDD中的数据类型保持一致，但要求分区个数以及对应分区上的数据个数保持一致

三、K-V类型

1. partitionBy

将数据按照指定artitioner重新进行分区，默认的分区器是HashPartitioner。

例子：

val sc = new SparkContext(new SparkConf().setMaster("local[*]").setAppName("Operator"))
val rdd = sc.makeRDD(List(1,2,3,4),2)
val newRDD:RDD[(Int, Int)] = rdd.map((_, 1))
// partitionBy 根据指定的分区规则对数据进行重分区
newRDD.partitionBy(new HashPartitioner(2))
.saveAsTextFile("output")
sc.stop()

2. reduceByKey

将数据按照相同的key对value进行聚合。

例子：

val sc = new SparkContext(new SparkConf().setMaster("local[*]").setAppName("Operator"))
val rdd = sc.makeRDD(List(("a",1),("a",2),("a",3),("b",2)))
// reduceByKey 相同的Key的数据进行value数据的聚合操作
// scala 语言中一般的聚合都是两两聚合，spark基于scala开发的，所以它的聚合也是两两聚合的
// reduceByKey 中如果key的数据只有一个，是不会参与运算的。
val reduceRDD = rdd.reduceByKey(_ + _)
reduceRDD.collect().foreach(println)
sc.stop()

3. groupByKey

将数据按照相同的key对value进行分组，形成一个对偶元祖。

val sc = new SparkContext(new SparkConf().setMaster("local[*]").setAppName("Operator"))
val rdd = sc.makeRDD(List(("a",1),("a",2),("a",3),("b",2)))
// groupByKey : 将数据源中的数据，相同的key的数据分到一个组中，形成一个对偶元组
// 元组中的第一个元素就是key，第二个元素就是相同key的value集合
val groupRDD = rdd.groupByKey()
groupRDD.collect().foreach(println)
sc.stop()

4. aggregateByKey

根据不同的规则进行分区内计算和分区间计算。

例子：

val sc = new SparkContext(new SparkConf().setMaster("local[*]").setAppName("Operator"))
val rdd = sc.makeRDD(List(("a",1),("a",2),("a",3),("a",4)),2)
// 分区内和分区间的计算规则可以不同，也可以相同
rdd.aggregateByKey(0)(
    (x,y) => math.max(x,y),
    (x,y) => x + y
).collect().foreach(println)
sc.stop()

5. foldByKey

aggregateByKey的简化操作，分区内和分区间的计算规则一样

例子：

val sc = new SparkContext(new SparkConf().setMaster("local[*]").setAppName("Operator"))
val rdd = sc.makeRDD(List(("a",1),("a",2),("a",3),("a",4)),2)

// 分区内和分区间的计算规则可以相同
//   rdd.aggregateByKey(0)(
//     (x,y) => x + y,
//     (x,y) => x + y
//   ).collect().foreach(println)

// 可以使用foldByKey来简化
rdd.foldByKey(0)(_+_).collect().foreach(println)
sc.stop()

6. combineByKey

针对相同K，将V合并成一个集合。

例子：

val sc = new SparkContext(new SparkConf().setMaster("local[*]").setAppName("Operator"))

val rdd = sc.makeRDD(List(("a",1),("a",2),("b",3),
                          ("b",4),("b",5),("a",6)),2)

// 获取相同key的数据的平均值 => (a,3) (b,4)

// combineByKey 需要三个参数
// 第一个参数表示：将相同key的第一个数据进行数据结构的转换，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 newRDD = rdd.combineByKey(
    v => (v, 1), // 转换为 tuple是在运行当中动态得到的，所以下面的tuple需要添加数据类型
    (t:(Int, Int), v) => {
        (t._1 + v, t._2 + 1)
    },
    (t1:(Int, Int), t2:(Int, Int)) => {
        (t1._1 + t2._1, t1._2 + t2._2)
    }
)

val resultRDD = newRDD.mapValues {
    case (sum, cnt) => sum / cnt
}
sc.stop()

7. join

在类型为（K，V）和（K，W）的RDD上调用，返回一个相同的key对应的所有元素连接在一起的（K，（V，W））的RDD。

例子：

val sc = new SparkContext(new SparkConf().setMaster("local[*]").setAppName("Operator"))
val rdd = sc.makeRDD(List(("a",1),("b",2),("c",3),("d",4)))
val rdd2 = sc.makeRDD(List(("a",5),("a",6),("e",8),("c",7)))
// join : 两个不同数据源的数据，相同的key的value会连接在一起，形成元组。
//  如果两个数据源中key没有匹配上，那么数据不会出现在结果中。
//  如果两个数据源中key有多个相同的，会依次匹配，可能会出现笛卡尔积，数据量会几何性增长，会导致性能降低
rdd.join(rdd2).collect().foreach(println)
sc.stop()

8. sortByKey

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

例子：

val sc = new SparkContext(new SparkConf().setMaster("local[*]").setAppName("Operator"))
val rdd = sc.makeRDD(List(("a",1),("b",2),("c",3),("d",4)))
//按照key对rdd中的元素进行排序，默认升序
rdd.sortByKey().collect().foreach(println)
//降序
rdd.sortByKey(false).collect().foreach(println)
sc.stop()

9. mapValues

针对于(K,V)形式的类型只对V进行操作

例子：

val sc = new SparkContext(new SparkConf().setMaster("local[*]").setAppName("Operator"))
val rdd = sc.makeRDD(List(("a",1),("b",2),("c",3),("d",4)))
rdd.mapValues("pre_"+_).collect().foreach(println)
sc.stop()

10. cogroup

相同的key，value分组后连接起来。

例子：

val sc = new SparkContext(new SparkConf().setMaster("local[*]").setAppName("Operator"))
val rdd = sc.makeRDD(List(("a",1),("b",2),("c",3),("d",4)))
val rdd2 = sc.makeRDD(List(("a",5),("a",6),("e",8),("c",7)))
// cogroup ： connect + group (分组，连接)
// 可以有多个参数
rdd.cogroup(rdd2).collect().foreach(println)
sc.stop()

行动算子

1. reduce

聚合RDD中的所有数据，先聚合分区内数据，在聚合分区间数据。

2. collect

采集，该方法会将不同分区间的数据按照分区顺序采集到Driver端，形成数组。

3. count

统计数据个数。

4. first

获取RDD中的第一个元素。

5. take

获取RDD前n个元素组成的数组。

6. takeOrdered

获取RDD排序后的前n个元素组成的数组。

7. aggregate

将每个分区里面的元素通过分区内逻辑和初始值进行聚合，然后用分区间逻辑和初始值(zeroValue)进行操作。注意:分区间逻辑再次使用初始值和aggregateByKey是有区别的。

8. fold

折叠操作，aggregate的简化操作，分区内逻辑和分区间逻辑相同。

9. countByValue

统计每个value的个数

10. countByKey

统计每种key的个数。

11. foreach

遍历RDD中每一个元素。

12. save

（1）saveAsTextFile(path)保存成Text文件
（2）saveAsSequenceFile(path) 保存成Sequencefile文件
（3）saveAsObjectFile(path) 序列化成对象保存到文件

例子：

val conf = new SparkConf().setMaster("local[*]").setAppName("Operator")
    val sc = new SparkContext(conf)
    val rdd = sc.makeRDD(List(1,2,3,4),2)
    // 行动算子，其实就是触发作业执行的方法
    // 底层代码调用的是环境对象中 runJob 方法，调用dagScheduler的runJob方法创建ActiveJob，并提交执行。

    // reduce
//    val i = rdd.reduce(_ + _)
//    println(i)


    // collect : 采集，该方法会将不同分区间的数据按照分区顺序采集到Driver端，形成数组
//    val ints = rdd.collect()
//    ints.foreach(println)


    // count : 数据源中数据个数
//    val l = rdd.count()
//    println(l)

    // first : 获取数据源中数据的第一个
//    val i = rdd.first()
//    println(i)

    // take : 获取数据源中数据的前N个
//    val ints = rdd.take(2)
//    println(ints.mkString(","))

    // takeOrdered : 数据先排序，再取N个，默认升序排序，可以使用第二个参数列表（比如 ： Ordering.Int.reverse）实现倒序功能
//    val rdd1 = sc.makeRDD(List(4,3,2,1))
//    val ints1 = rdd1.takeOrdered(2)(Ordering.Int.reverse)
//    println(ints1.mkString(","))
	
	    //aggregate
//    val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4), 8)
//    println(rdd.aggregate(10)(_ + _, _ + _))

    //fold 是aggregate的简化版
//    rdd.fold(10)(_+_)

    //countByKey 统计每种key出现的次数
//    val rdd: RDD[(Int, String)] = sc.makeRDD(List((1, "a"), (1, "a"), (1, "a"), (2, "b"), (3, "c"), (3, "c")))
//    println(rdd.countByKey())
//    val intToLong = rdd.countByValue()
//    println(intToLong)


// save
val rdd = sc.makeRDD(List(("a",1),("a",2),("a",3),("b",4)),2)
rdd.saveAsTextFile("output")
rdd.saveAsObjectFile("output1")
// saveAsSequenceFile 方法要求数据的格式必须为 K-V 键值对类型
rdd.saveAsSequenceFile("output2")
sc.stop()

结语

以上就是帮大家总结的Spark常用算子了。好了，今天就为大家分享到这里了，如果本文对你有帮助的话，欢迎点赞&收藏&分享，这对我继续分享&创作优质文章非常重要。感谢🙏🏻

–END–

非常欢迎大家加我个人微信，有关大数据的问题我们一起讨论。

扫码上方二维码，加我微信