spark转化操作

转化操作

由于spark的惰性计算特性，RDD只有在第一次行动操作中被用到时才会真正进行计算，因此我打算将文章内容分为"转化操作"和"行动操作"两部分，同时因为pair RDD（RDD中的元素是键值对）的部分api较为特殊

Transformer算子概念

RDD的操作算子分为两类：

• Transformation。用来对RDD进行转化，这个操作时延迟执行的（或者说是 Lazy 的)；返回一个新的RDD
• Action。用来触发RDD的计算；得到相关计算结果 或者 将结果保存的外部系统 中；返回结果int、double、集合（不会返回新的RDD）

每一次 Transformation 操作都会产生新的RDD，供给下一个“转换”使用； 转换得到的RDD是惰性求值的。也就是说，整个转换过程只是记录了转换的轨迹， 并不会发生真正的计算，只有遇到 Action 操作时，才会发生真正的计算，开始从血 缘关系（lineage）源头开始，进行物理的转换操作；

单RDD转换函数

对数据rdd{1,2,3,3}进行RDD转换

函数	举例	运行效果	解释说明
map	rdd.map(x=>x+2)	{3,4,5,5}	对RDD中每一个元素进行操作，对每个元素都+2
flatMap	rdd.flatMap(x=>x.to(3))	{1,2,3,2,3,3,3}	遍历当前每个元素，然后生成从当前元素到3的新RDD集合（[当前元素,3]）,通常用于切分单词
filter	rdd.filter(x=>x!=3)	{1,2}	过滤RDD中不等于3的元素
distinct	rdd.distinct()	{1,2,3}	对RDD去重
sample	rdd1.sample(false,0.5)	随机	随机数生成RDD子数据集

map()函数

val testList = List(1, 2, 3, 3)
val testRdd = sc.parallelize(testList)
testRdd.map(x => x + 2).foreach(x => print(s"$x "))
// 输出：3 4 5 5

多RDD转换函数

对数据rdd1{1,2,3}和rdd2{2,4,6}进行RDD转换

函数	举例	运行结果	解释说明
union	rdd1.union(rdd2)	{1,2,3,2,4,6}	rdd1返回两个RDD的合并，不去重
intersection	rdd1.intersection(rdd2)	{2}	rdd1返回两个RDD的交集，去重
subtract	rdd1.subtract(rdd2)	{1,3}	与intersection函数类似，rdd1返回在rdd1中出现，在rdd2中没有出现的元素，不去重（即移除rdd2的内容，通常用于移除训练数据）
cartesian	rdd1.cartesian(rdd2)	{(1,2),(1,4),(1,6),(2,2),(2,4),(2,6),(3,2),(3,4),(3,6)}	求笛卡尔积，对两个RDD数据进行笛卡尔计算，返回(T,U)Pair模板类型的RDD数据

unon()函数
相当于集合运算的并集，生成一个包含两个RDD中所有元素的RDD，要求两个RDD的元素类型相同

val testList1 = List(1, 2, 3)
val testList2 = List(2, 4, 6)
val testRdd1 = sc.parallelize(testList1)
val testRdd2 = sc.parallelize(testList2)
testRdd1.union(testRdd2).foreach(ele => print(s"$ele "))
// 输出：1 2 3 2 4 6

map与flatmap

下图说明了map和flatMap的区别，flatMapRDD中是一个个迭代器中的具体元素，但是map中是一个个迭代器。