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
![](https://i-blog.csdnimg.cn/blog_migrate/d44bab841942799ad0205d4cbdb349fa.png)
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
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 -
-
上述代码中,向算子map()传入了一个函数
x = > x * 2
。其中,x
为函数的参数名称,也可以使用其他字符,例如a => a * 2
。Spark会将RDD中的每个元素传入该函数的参数中。 -
其实,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(_ * _)
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
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、过滤出列表中的偶数
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
方法二、用神奇占位符改写传入过滤算子的匿名函数
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:
sparkLines.collect()
,查看sparkLines
内容,可以采用遍历算子,分行输出内容太 -