Spark算子使用-Map,FlatMap,Filter,diatinct,groupBy,sortBy

木鬼与槐

已于 2024-10-09 09:47:32 修改

阅读量569

点赞数 15

分类专栏： spark 文章标签： spark 大数据分布式

于 2024-10-09 09:08:38 首次发布

本文链接：https://blog.csdn.net/weixin_58305115/article/details/142773985

版权

spark 专栏收录该内容

16 篇文章 0 订阅

订阅专栏

Map算子使用

# map算子主要使用长场景，一个转化rdd中每个元素的数据类型，拼接rdd中的元素数据，对rdd中的元素进行需求处理
# 需求，处理hdfs中的学生数据，单独获取每个学生的信息
from pyspark import SparkContext

sc = SparkContext()

# 1-读取数据
rdd = sc.textFile("hdfs://node1:8020/data/student.txt")
# 2- 使用转化算子进行数据处理
# map中的lambda表达式，必须定义一个参数，用来接收rdd中的元素数据, 注意：x参数如何处理，要看x接收的数据类型
rdd2 = rdd.map(lambda x : x.split(','))
# 3-从rdd2中获取姓名数据
rdd3 =rdd2.map(lambda x : x[1])

# lambda 函数能进行简单的数据计算，如果遇到复杂数据计算时，就需要使用自定义函数
# 获取年龄数据，并且转化年龄数据为int类型，将年龄和性别合并一起保存成元组
## 获取年龄
def func(x):
    # 1-切割数据
    data_split = x.split(',')
    # 2-转换数据类型
    age = int(data_split[3])
    # 3-拼接性别与年龄
    data_tuple = (data_split[2],age)
    return data_tuple


# 将函数的名字传递到map中，不要加括号
rdd4 = rdd.map(func)


# 触发执行算子,查看读取的数据
res = rdd.collect()
print(res)

res2 = rdd2.collect()
print(res2)

res3 = rdd3.collect()
print(res3)

res4 = rdd4.collect()
print(res4)

FlatMap算子使用

# FlatMap算子使用
# 主要场景是对二维嵌套的数据降维操作  [[1,张三],[2,李四],[3,王五]]  --->> [1,张三,2,李四,3,王五]
from pyspark import SparkContext

sc = SparkContext()

# 生成的rdd
rdd = sc.parallelize([['1', 'alice', 'F', '32'], ['2', 'Tom', 'M', '22'], ['3', 'lili', 'F', '18'], ['4', 'jerry', 'M', '24']])

# 使用flatmap
rdd1 = rdd.flatMap(lambda x: x)  # 直接返回x，会自动将x中的元素数据取出，放入新的rdd中

# 查看数据
res = rdd1.collect()
print(res)

Filter算子使用-数据过滤

# RDD数据过滤
# 需求：过滤年龄大于20岁的信息
from pyspark import  SparkContext
sc = SparkContext()


# 1- 读取hdfs中的学生数据
rdd = sc.textFile('hdfs://node1:8020/data/student.txt')


# 2- 使用转化算子进行数据处理
# map中的lambda表达式，必须定义一个参数，用来接收rdd中的元素数据, 注意：x参数如何处理，要看x接收的数据类型
rdd2 = rdd.map(lambda x:x.split(','))
# 使用fliter方法进行数据过滤
# lambda x:过滤条件  可以当成 if 操作  if 条件
# 符合条件的数据会返回保存在新的rdd中
rdd3 = rdd2.filter(lambda x :int(x[3]) > 20)


# 查看数据
res = rdd2.collect()
print(res)

res3 = rdd3.collect()
print(res3)

Distinct算子使用-数据去重

# distinct  去重算子
# rdd中有重复数据时，可以进行去重
from pyspark import  SparkContext
sc = SparkContext()


# 1- 读取hdfs中的学生数据
rdd = sc.textFile('hdfs://node1:8020/data/student.txt')

# 2- 使用转化算子进行数据处理
# map中的lambda表达式，必须定义一个参数，用来接收rdd中的元素数据, 注意：x参数如何处理，要看x接收的数据类型
rdd2 = rdd.map(lambda x:x.split(','))

# 3-从rdd2中获取性别数据
rdd3 = rdd2.map(lambda x : x[2])

# 对rdd3中重复数据去重
rdd4 = rdd3.distinct()


# 查看数据
res = rdd3.collect()
print(res)

res1 = rdd4.collect()
print(res1)

groupBy算子使用-数据分组

from pyspark import  SparkContext
sc = SparkContext()


# 1- 读取hdfs中的学生数据
rdd = sc.textFile('hdfs://node1:8020/data/student.txt')

# 2- 使用转化算子进行数据处理
# map中的lambda表达式，必须定义一个参数，用来接收rdd中的元素数据, 注意：x参数如何处理，要看x接收的数据类型
rdd2 = rdd.map(lambda x:x.split(','))

# 3-对性别进行分组
# lambda x: hash取余的计算  hash(数据)%分组数      余数相同的数据会放在一起
rdd3 = rdd.groupBy(lambda x:hash(x[2]) % 2)
# 查看分组的数据内容  mapValues 取出分组后的数据值，对数据值转为列表即可
rdd4 = rdd3.mapValues(lambda x:list(x))

# 查看数据
res2 = rdd2.collect()
print(res2)

res3 = rdd3.collect()
print(res3)

res4 = rdd4.collect()
print(res4)

分组算子用到了哈希算法,lambda x: hash取余的计算 hash(数据)%分组数 余数相同的数据会放在一起
rdd3 = rdd.groupBy(lambda x:hash(x[2]) % 2)

sortBy算子使用-数据排序

# RDD的数据排序
from pyspark import SparkContext

sc = SparkContext()

# 创建数据
# 非kv数据
rdd = sc.parallelize([10,45,27,18,5,29])

# 在spark中可以使用元组表示kv数据（k,v）
rdd2 = sc.parallelize([('张三',27),('李四',18),('王五',31),('赵六',21)])

rdd1 = sc.parallelize([(666,'火眼金睛'),(2000,'筋斗云'),(888,'顺风耳'),(1314,'降龙十八掌')])


# 数据排序
# 非kv数据
rdd3 = rdd.sortBy(lambda x: x)  # 默认升序,从小到大排
rdd4 = rdd.sortBy(lambda x: x,ascending=False)  # 降序


# kv数据排序 x接收(k,v)数据  需要指定采用哪个值进行排序
# 根据v值进行排序
rdd5 = rdd2.sortBy(lambda x: x[1])
rdd6 = rdd2.sortBy(lambda x: x[1],ascending=False)

# 根据k值进行排序
rdd7 = rdd1.sortBy(lambda x: x[0])
rdd8 = rdd1.sortBy(lambda x: x[0],ascending=False)



# 查看结果
# 非kv数据
res1 = rdd3.collect()
res2 = rdd4.collect()
print(res1)
print(res2)


# kv数据排序
res5 = rdd5.collect()
res6 = rdd6.collect()
print(res5)
print(res6)



res7 = rdd7.collect()
res8 = rdd8.collect()
print(res7)
print(res8)

join算子使用-数据关联

准备数据,模拟表关联

students.txt

students2.txt

from pyspark import SparkContext
# rdd也是使用join算子进行kv数据关联 ，如果需要将多个rdd数据关联在一起
# 需要现将rdd的数据转为kv结构，关联的字段数据作为key
sc = SparkContext()
# 分别读取两个文件数据
rdd1 = sc.textFile('hdfs://node1:8020/data/students.txt')
rdd2 = sc.textFile('hdfs://node1:8020/data/students2.txt')

# 切割行数
rdd_line1 = rdd1.map(lambda x:x.split(','))
rdd_line2 = rdd2.map(lambda x:x.split(','))

# 将rdd数据进行关联
# 将关联的数据转为kv结构
rdd_kv1 = rdd_line1.map(lambda x:(x[0],x))
rdd_kv2 = rdd_line2.map(lambda x:(x[0],x))

# 使用join关联
rdd_join = rdd_kv1.join(rdd_kv2) # 内关联
rdd_leftjoin = rdd_kv1.leftOuterJoin(rdd_kv2) # 左关联
rdd_rightjoin = rdd_kv1.rightOuterJoin(rdd_kv2) # 右关联


# 查看数据

res3 = rdd_join.sortBy(lambda x:x[0]).collect() # 找相同数据
print(res3)

res4 = rdd_leftjoin.collect() # 左表数据全部展示，右边右相同数据展示，没有相同数据为空None
print(res4)

res5 = rdd_rightjoin.collect() # 右表数据全部展示，左边右相同数据展示，没有相同数据为空None
print(res5)