Spark的RDD转换算子-value型-filter、sample、distinct
一、filter
函数签名
def filter(f: T => Boolean): RDD[T]
将数据根据指定的规则进行筛选过滤,符合规则的数据保留,不符合规则的数据丢弃。 当数据进行筛选过滤后,分区不变,但是分区内的数据可能不均衡,生产环境下,可能会出现数据倾斜。
val rdd = sparkContext.makeRDD(List(
1,2,3,4
),1)
//将偶数过滤得到
val filterRDD = rdd.filter(_%2 == 0)
二、sample
函数签名
def sample(
withReplacement: Boolean,
fraction: Double,
seed: Long = Utils.random.nextLong): RDD[T]
按指定的规则从数据集中抽取数据,sample需要传入三个参数:
第一个参数:是否又放回的抽取,true表示放回,参照泊松算法;false表示不放回,参照伯努利算法
第二个参数:如是不放回,数据源中的数据被抽取的概率,设计基准值的概念
第三个参数:抽取数据时随机算法的种子,不传递就是系统时间
val dataRDD = sparkContext.makeRDD(List(
1,2,3,4
),1)
// 抽取数据不放回(伯努利算法)
// 伯努利算法:又叫 0、1 分布。例如扔硬币,要么正面,要么反面。
// 具体实现:根据种子和随机算法算出一个数和第二个参数设置几率比较,小于第二个参数要,大于不要
// 第一个参数:抽取的数据是否放回,false:不放回
// 第二个参数:抽取的几率,范围在[0,1]之间,0:全不取;1:全取;
// 第三个参数:随机数种子
val dataRDD1 = dataRDD.sample(false, 0.5)
// 抽取数据放回(泊松算法)
// 第一个参数:抽取的数据是否放回,true:放回;false:不放回
// 第二个参数:重复数据的几率,范围大于等于 0.表示每一个元素被期望抽取到的次数
// 第三个参数:随机数种子
val dataRDD2 = dataRDD.sample(true, 2)
三、distinct
函数签名
def distinct()(implicit ord: Ordering[T] = null): RDD[T]
def distinct(numPartitions: Int)(implicit ord: Ordering[T] = null): RDD[T]
将数据集中重复的数据去重
去重的原理和java的不同,java采用的是set,而distinct采用的是:
map(x => (x, null)).reduceByKey(
(x, _) => x,
numPartitions
).map(_._1)
其实就是根据reduceByKey的方法,如果重复,放到后面,但是最后返回的只是第一个
val dataRDD = sparkContext.makeRDD(List(
1,2,3,4,1,2,3,4
),1)
val dataRDD1 = dataRDD.distinct()
val dataRDD2 = dataRDD.distinct(2)