掌握RDD算子

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
• 

 

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

•