Spark基础学习：掌握RDD算子（1）

一、RDD算子

• RDD被创建后是只读的，不允许修改。Spark提供了丰富的用于操作RDD的方法，这些方法被称为算子。一个创建完成的RDD只支持两种算子：转化（Transformation）算子和行动（Action）算子。

二、准备工作

（一）准备文件

1、准备本地系统文件

• 在/home目录里创建words.txt
• 

 

2、把文件上传到HDFS

• 将words.txt上传到HDFS系统的/park目录里
• 

查看文件内容

（二）启动Spark Shell

1、启动HDFS服务

• 执行命令：start-dfs.sh
• 

如果采用的是Spark on YARN集群或者Spark HA集群，那么还得启动YARN服务

 

2、启动Spark服务

• 进入Spark的sbin目录执行命令：./start-all.sh
• 

3、启动Spark Shell

• 执行名命令： spark-shell --master spark://master:7077
• 

 三、转化算子

转化算子负责对RDD中的数据进行计算并转化为新的RDD。Spark中的所有转化算子都是惰性的，因为它们不会立即计算结果，而只是记住对某个RDD的具体操作过程，直到遇到行动算子才会与行动算子一起执行。

（一）映射算子 - map()
1、映射算子功能

map()是一种转化算子，它接收一个函数作为参数，并把这个函数应用于RDD的每个元素，最后将函数的返回结果作为结果RDD中对应元素的值。

2、映射算子案例

预备工作：创建一个RDD - rdd1
执行命令：val rdd1 = sc.parallelize(List(1, 2, 3, 4, 5, 6))

任务1、将rdd1每个元素翻倍得到rdd2

• 对rdd1应用map()算子，将rdd1中的每个元素平方并返回一个名为rdd2的新RDD

• 

  利用神奇占位符_可以写得更简洁 

 

rdd1和rdd2中实际上没有任何数据，因为parallelize()和map()都为转化算子，调用转化算子不会立即计算结果。

 

• 若需要查看计算结果，则可使用行动算子collect()。（collect是采集或收集之意）

• 执行rdd2.collect进行计算，并将结果以数组的形式收集到当前Driver。因为RDD的元素为分布式的，数据可能分布在不同的节点上。

• 

   

 

任务2、将rdd1每个元素平方得到rdd2

• 方法一、采用普通函数作为参数传给map()算子

• 方法二、采用下划线表达式作为参数传给map()算子
• 刚才翻倍用的是map(_ * 2)，很自然地想到平方应该是map(_ * _)
• 

报错，(_ * _)经过eta-expansion变成普通函数，不是我们预期的x => x * x，而是(x$1, x$2) => (x$1 * x$2)，不是一元函数，而是二元函数，系统立马就蒙逼了，不晓得该怎么取两个参数来进行乘法运算。
难道就不能用下划线参数了吗？当然可以，但是必须保证下划线表达式里下划线只出现1次。引入幂函数scala.math.pow就可以搞定。

 但是有点美中不足，rdd2的元素变成了双精度实数，得转化成整数

 半菱形

 （二）过滤算子 - filter()
1、过滤算子功能

filter(func)：通过函数func对源RDD的每个元素进行过滤，并返回一个新RDD，一般而言，新RDD元素个数会少于原RDD。

2、过滤算子案例
任务1、过滤出列表中

基于列表创建RDD，然后利用过滤算子得到偶数构成的新RDD
方法一、将匿名函数传给过滤算子的偶数

方法二、用神奇占位符改写传入过滤算子的匿名函数

 

• 将rdd1里的每一个元素x拿去计算x % 2 == 0，如果关系表达式计算结果为真，那么该元素就丢进新RDD - rdd2，否则就被过滤掉了。

任务2、过滤出文件中包含spark的行

• 查看源文件/park/words.txt内容

• 

   执行命令： val lines= sc.textFile("hdfs://master:9000/park/words.txt")，读取文件 /park/words.txt生成RDD - lines

• 

  执行命令：val sparkLines = lines.filter(_.contains("spark"))，过滤包含spark的行生成RDD - sparkLines

•  

  执行命令：sparkLines.collect()，查看sparkLines内容，可以采用遍历算子，分行输出内容

•  

  课堂练习

  任务1、利用过滤算子输出[2000, 2500]之间的全部闰年

• 传统做法，利用循环结构嵌套选择结构来实现

 采用过滤算子来实现

 （三）扁平映射算子 - flatMap()
1、扁平映射算子功能

flatMap()算子与map()算子类似，但是每个传入给函数func的RDD元素会返回0到多个元素，最终会将返回的所有元素合并到一个RDD。

2、扁平映射算子案例
任务1、统计文件中单词个数

读取文件，生成RDD - rdd1，查看其内容和元素个数

对于rdd1按空格拆分，做映射，生成新RDD - rdd2 

对于rdd1按空格拆分，做扁平映射，生成新RDD - rdd3

 

执行命令：rdd3.count()，即可知单词个数

任务2、统计不规则二维列表元素个数 

方法一、利用Scala来实现

• 利用列表的flatten函数

 

val mat = List(List(7, 8, 1, 5),
               List(10, 4, 9),
               List(7, 2, 8, 1, 4),
               List(21, 4, 7, -4))
val arr = mat.flatten // 将二维列表扁平化成一维列表
println("元素个数：" + arr.size)

方法二、利用Spark RDD来实现

• 利用flatMap算子
• 

val rdd1 = sc.makeRDD(List(List(7, 8, 1, 5),
                           List(10, 4, 9),
                           List(7, 2, 8, 1, 4),
                           List(21, 4, 7, -4)))
val rdd2 = rdd1.flatMap(x => x.toString.substring(5, x.toString.length - 1).split(", "))
println("元素个数：" + rdd2.count)

 查看rdd2的内容