spark 使用java如何定义返回类型_java-spark的各种常用算子的写法

通常写spark的程序用scala比较方便，毕竟spark的源码就是用scala写的。然而，目前java开发者特别多，尤其进行数据对接、上线服务的时候，这时候，就需要掌握一些spark在java中的使用方法了

一、map

map在进行数据处理、转换的时候，不能更常用了

在使用map之前 首先要定义一个转换的函数 格式如下：

Function transForm = new Function() {//String是某一行的输入类型 LabeledPoint是转换后的输出类型

@Override

public LabeledPoint call(String row) throws Exception {//重写call方法

String[] rowArr = row.split(",");

int rowSize = rowArr.length;

double[] doubleArr = new double[rowSize-1];

//除了第一位的lable外 其余的部分解析成double 然后放到数组中

for (int i = 1; i < rowSize; i++) {

String each = rowArr[i];

doubleArr[i] = Double.parseDouble(each);

}

//用刚才得到的数据 转成向量

Vector feature = Vectors.dense(doubleArr);

double label = Double.parseDouble(rowArr[0]);

//构造用于分类训练的数据格式 LabelPoint

LabeledPoint point = new LabeledPoint(label, feature);

return point;

}

};

需要特别注意的是：

1、call方法的输入应该是转换之前的数据行的类型  返回值应是处理之后的数据行类型

2、如果转换方法中调用了自定义的类，注意该类名必须实现序列化 比如

public class TreeEnsemble implements Serializable {

}

3、转换函数中如果调用了某些类的对象，比如该方法需要调用外部的一个参数，或者数值处理模型(标准化，归一化等)，则该对象需要声明是final

然后就是在合适的时候调用该转换函数了

JavaRDD rdd = oriData.toJavaRDD().map(transForm);

这种方式是需要将普通的rdd转成javaRDD才能使用的，转成javaRDD的这一步操作不耗时，不用担心

二、filter

在避免数据出现空值、0等场景中也非常常用，可以满足sql中where的功能

这里首先也是要定义一个函数，该函数给定数据行 返回布尔值 实际效果是将返回为true的数据保留

Function boolFilter = new Function() {//String是某一行的输入类型 Boolean是对应的输出类型 用于判断数据是否保留

@Override

public Boolean call(String row) throws Exception {//重写call方法

boolean flag = row!=null;

return flag;

}

};

通常该函数实际使用中需要修改的仅仅是row的类型 也就是数据行的输入类型，和上面的转换函数不同，此call方法的返回值应是固定为Boolean

然后是调用方式

JavaRDD rdd = oriData.toJavaRDD().filter(boolFilter);

三、mapToPair

该方法和map方法有一些类似，也是对数据进行一些转换。不过此函数输入一行 输出的是一个元组，最常用的方法是用来做交叉验证 或者统计错误率 召回率 计算AUC等等

同样，需要先定义一个转换函数

Function transformer = new PairFunction() {//LabeledPoint是输入类型 后面的两个Object不要改动

@Override

public Tuple2 call(LabeledPoint row) throws Exception {//重写call方法 通常只改动输入参数 输出不要改动

double predicton = thismodel.predict(row.features());

double label = row.label();

return new Tuple2(predicton, label);

}

});

关于调用的类、类的对象，要求和之前的一致，类需要实现序列化，类的对象需要声明成final类型

相应的调用如下：

JavaPairRDD predictionsAndLabels = oriData.mapToPair(transformer);

然后对该predictionsAndLabels的使用，计算准确率、召回率、精准率、AUC，接下来的博客中会有，敬请期待

如有补充，或者质疑，或者有相关问题，请发邮件给我，或者直接回复  邮箱:326543991@qq.com