Spark大数据处理讲课笔记3.2 掌握RDD算子

是你啊初心

已于 2023-06-15 18:08:05 修改

阅读量112

点赞数

分类专栏： spark 3 文章标签： spark 大数据 scala

于 2023-05-04 09:40:04 首次发布

本文链接：https://blog.csdn.net/weixin_63561044/article/details/130258023

版权

spark 3 专栏收录该内容

4 篇文章 0 订阅

订阅专栏

文章目录

零、本节学习目标

了解RDD的处理过程
掌握转换算子的使用
掌握行动算子的使用

一、RDD的处理过程

Spark用Scala语言实现了RDD的API，程序开发者可以通过调用API对RDD进行操作处理。RDD经过一系列的“转换”操作，每一次转换都会产生不同的RDD，以供给下一次“转换”操作使用，直到最后一个RDD经过“行动”操作才会被真正计算处理，并输出到外部数据源中，若是中间的数据结果需要复用，则可以进行缓存处理，将数据缓存到内存中。

二、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：转换（Transformation）算子和行动（Action）算子。

（一）转换算子

RDD处理过程中的“转换”操作主要用于根据已有RDD创建新的RDD，每一次通过Transformation算子计算后都会返回一个新RDD，供给下一个转换算子使用。
常用转换算子操作的API

转换算子	相关说明
filter(func)	筛选出满足函数func的元素，并返回一个新的数据集
map(func)	将每个元素传递到函数func中，返回的结果是一个新的数据集
flatMap(func)	与map()相似，但是每个输入的元素都可以映射到0或者多个输出结果
groupByKey()	应用于（Key，Value）键值对的数据集时，返回一个新的（Key，Iterable <Value>）形式的数据集
reduceByKey(func)	应用于（Key，Value）键值对的数据集时，返回一个新的（Key，Value）形式的数据集。其中，每个Value值是将每个Key键传递到函数func中进行聚合后的结果

（二）行动算子

行动算子主要是将在数据集上运行计算后的数值返回到驱动程序，从而触发真正的计算。
常用行动算子操作的API

行动算子	相关说明
count()	返回数据集中的元素个数
first()	返回数组的第一个元素
take(n)	以数组的形式返回数组集中的前n个元素
reduce(func)	通过函数func（输入两个参数并返回一个值）聚合数据集中的元素
collect()	以数组的形式返回数据集中的所有元素
foreach(func)	将数据集中的每个元素传递到函数func中运行

三、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
说明：/park是在上一讲我们创建的目录
查看文件内容

（二）启动Spark Shell

1、启动HDFS服务

执行命令：start-dfs.sh

2、启动Spark服务

执行命令：start-all.sh

3、启动Spark Shell

执行名命令： spark-shell --master spark://master:7077
以集群模式启动的Spark Shell，不能访问本地文件，只能访问HDFS文件，加不加hdfs://master:9000前缀都是一样的效果。

四、掌握转换算子

转换算子负责对RDD中的数据进行计算并转换为新的RDD。Spark中的所有转换算子都是惰性的，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()是一种转换算子，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
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。
take action: 采取行动。心动不如行动。
上述使用map()算子的运行过程如下图所示
函数本质就是一种特殊的映射。上面这个映射写成函数：f ( x ) = 2 x , x ∈ R f(x)=2x,x\in \Bbb Rf(x)=2x,x∈R

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。引入数学包scala.math._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

任务3、利用映射算子打印菱形

（1）Spark Shell里实现

菱形正立的等腰三角形和倒立的等腰三角形组合而成
半菱形
加上前导空格，显示菱形
参考代码（兼顾通用性）

import scala.collection.mutable.ListBuffer
val list = new ListBuffer[Int]()
val n = 21
(1 to n by 2).foreach(list += _)
(n - 2 to 1 by -2).foreach(list += _)
val rdd = sc.makeRDD(list)
val rdd1 = rdd.map(i => " " * ((n - i) / 2) + "*" * i)
rdd1.collect.foreach(println)

（2）在IDEA里创建项目实现

参照讲课笔记2.4创建Maven项目 - SparkRDDDemo
单击【Finish】按钮
将java目录改成scala目录
在pom.xml文件里添加相关依赖和设置源程序目录

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
         xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0
         http://maven.apache.org/xsd/maven-4.0.0.xsd">
    <modelVersion>4.0.0</modelVersion>

    <groupId>net.huawei.rdd</groupId>
    <artifactId>SparkRDDDemo</artifactId>
    <version>1.0-SNAPSHOT</version>

    <dependencies>
        <dependency>
            <groupId>org.scala-lang</groupId>
            <artifactId>scala-library</artifactId>
            <version>2.12.15</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_2.12</artifactId>
            <version>3.1.3</version>
        </dependency>
    </dependencies>
    <build>
        <sourceDirectory>src/main/scala</sourceDirectory>
    </build>
</project>

刷新项目依赖
添加日志属性文件

log4j.rootLogger=ERROR, stdout, logfile
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
log4j.appender.logfile=org.apache.log4j.FileAppender
log4j.appender.logfile.File=target/rdd.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n

创建hdfs-site.xml文件，允许客户端访问集群数据节点

<?xml version="1.0" encoding="UTF-8"?>
<configuration>
    <property>
        <description>only config in clients</description>
        <name>dfs.client.use.datanode.hostname</name>
        <value>true</value>
    </property>
</configuration>

创建net.huawei.rdd.day01包
在net.huawei.rdd.day01包里创建Example01单例对象

package net.huawei.rdd.day01

import org.apache.spark.{SparkConf, SparkContext}

import scala.collection.mutable.ListBuffer
import scala.io.StdIn


object Example01 {
  def main(args: Array[String]): Unit = {
    // 创建Spark配置对象
    val conf = new SparkConf()
      .setAppName("PrintDiamond") // 设置应用名称
      .setMaster("local[*]") // 设置主节点位置（本地调试）
    // 基于Spark配置对象创建Spark容器
    val sc = new SparkContext(conf)
    // 输入一个奇数
    print("输入一个奇数：")
    val n = StdIn.readInt()
    // 创建一个可变列表
    val list = new ListBuffer[Int]()
    // 给列表赋值
    (1 to n by 2).foreach(list += _)
    (n - 2 to 1 by -2).foreach(list += _)
    // 基于列表创建rdd
    val rdd = sc.makeRDD(list)
    // 对rdd进行映射操作
    val rdd1 = rdd.map(i => " " * ((n - i) / 2) + "*" * i)
    // 输出rdd1结果
    rdd1.collect.foreach(println)
  }
}

运行程序，查看结果
假如用户输入一个偶数，会出现什么情况？
修改一下代码，避免这个问题
运行程序，输入一个偶数

（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
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("/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
要求每行输出10个数
采用过滤算子来实现
要求每行输出10个数

任务2、利用过滤算子输出[10, 100]之间的全部素数

过滤算子：filter(n => !(n % 2 == 0 || n % 3 == 0 || n % 5 == 0 || n % 7 == 0))

value

（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，有一个降维处理的效果
统计结果：文件里有25个单词

说明：扁平映射算子运行过程图

rdd1的5个元素经过扁平映射变成了rdd2的20个元素

任务2、统计不规则二维列表元素个数

[ 7 8 1 5 10 4 9 7 2 8 1 4 21 4 7 − 4 ] \left[

7107218424198751−4478151049728142147−4

\right]7107218424198751−44

方法一、利用Scala来实现

利用列表的flatten函数
在net.huawei.rdd.day01包里创建Example02单例对象

package net.huawei.rdd.day01

import org.apache.spark.{SparkConf, SparkContext}

/**
 * 功能：利用Scala统计不规则二维列表元素个数
 * 日期：2023年04月19日
 */
object Example02 {
  def main(args: Array[String]): Unit = {
    // 创建Spark配置对象
    val conf = new SparkConf()
      .setAppName("PrintDiamond") // 设置应用名称
      .setMaster("local[*]") // 设置主节点位置（本地调试）
    // 基于Spark配置对象创建Spark容器
    val sc = new SparkContext(conf)
    // 创建不规则二维列表
    val mat = List(
      List(7, 8, 1, 5),
      List(10, 4, 9),
      List(7, 2, 8, 1, 4),
      List(21, 4, 7, -4)
    )
    // 输出二维列表
    println(mat)
    // 将二维列表扁平化为一维列表
    val arr = mat.flatten
    // 输出一维列表
    println(arr)
    // 输出元素个数
    println("元素个数：" + arr.size)
  }
}

运行程序，查看结果

方法二、利用Spark RDD来实现

利用flatMap算子
在net.huawei.rdd.day01包里创建Example03单例对象

package net.huawei.rdd.day01

import org.apache.spark.{SparkConf, SparkContext}

//功能：利用RDD统计不规则二维列表元素个数



object Example03 {
  def main(args: Array[String]): Unit = {
    // 创建Spark配置对象
    val conf = new SparkConf()
      .setAppName("PrintDiamond") // 设置应用名称
      .setMaster("local[*]") // 设置主节点位置（本地调试）
    // 基于Spark配置对象创建Spark容器
    val sc = new SparkContext(conf)
    // 创建不规则二维列表
    val mat = List(
      List(7, 8, 1, 5),
      List(10, 4, 9),
      List(7, 2, 8, 1, 4),
      List(21, 4, 7, -4)
    )
    // 基于二维列表创建rdd1
    val rdd1 = sc.makeRDD(mat)
    // 输出rdd1
    rdd1.collect.foreach(x => print(x + " "))
    println()
    // 进行扁平化映射
    val rdd2 = rdd1.flatMap(x => x.toString.substring(5, x.toString.length - 1).split(", "))
    // 输出rdd2
    rdd2.collect.foreach(x => print(x + " "))
    println()
    // 输出元素个数
    println("元素个数：" + rdd2.count)
  }
}

运行程序，查看结果
扁平化映射可以简化

（四）按键归约算子 - reduceByKey()

1、按键归约算子功能

reduceByKey()算子的作用对像是元素为(key,value)形式（Scala元组）的RDD，使用该算子可以将相同key的元素聚集到一起，最终把所有相同key的元素合并成一个元素。该元素的key不变，value可以聚合成一个列表或者进行求和等操作。最终返回的RDD的元素类型和原有类型保持一致。

2、按键归约算子案例

任务1、在Spark Shell里计算学生总分

成绩表，包含四个字段（姓名、语文、数学、英语），只有三条记录

姓名	语文	数学	英语
张钦林	78	90	76
陈燕文	95	88	98
卢志刚	78	80	60

创建成绩列表scores，基于成绩列表创建rdd1，对rdd1按键归约得到rdd2，然后查看rdd2内容

val scores = List(("张钦林", 78), ("张钦林", 90), ("张钦林", 76),
                  ("陈燕文", 95), ("陈燕文", 88), ("陈燕文", 98),
                  ("卢志刚", 78), ("卢志刚", 80), ("卢志刚", 60))
val rdd1 = sc.makeRDD(scores)
val rdd2 = rdd1.reduceByKey((x, y) => x + y)
rdd2.collect.foreach(println)

不仅可以在Spark Shell里完成任务，也可以编写Scala程序生成jar提交到Spark服务器运行。有兴趣的同学不妨参看《Spark案例：两种方式计算学生总分》

任务2、在IDEA里计算学生总分

成绩表，包含四个字段（姓名、语文、数学、英语），只有三条记录

姓名	语文	数学	英语
张钦林	78	90	76
陈燕文	95	88	98
卢志刚	78	80	60

可能存在问题：在Windows下的IDEA中访问HDFS报错Could not locate executable null\bin\winutils.exe
下载对应版本的winutils.exe，放在hadoop安装目录的bin子目录里
配置hadoop环境变量
创建Maven项目 - SparkRDDDemo
将java目录改为scala
在pom.xml文件里添加依赖和构建插件

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
         xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0
         http://maven.apache.org/xsd/maven-4.0.0.xsd">
    <modelVersion>4.0.0</modelVersion>

    <groupId>net.hw.rdd</groupId>
    <artifactId>SparkRDDDemo</artifactId>
    <version>1.0-SNAPSHOT</version>

    <dependencies>
        <dependency>
            <groupId>org.scala-lang</groupId>
            <artifactId>scala-library</artifactId>
            <version>2.12.15</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_2.12</artifactId>
            <version>2.4.4</version>
        </dependency>
    </dependencies>
    <build>
        <sourceDirectory>src/main/scala</sourceDirectory>
        <plugins>
            <plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-assembly-plugin</artifactId>
                <version>3.3.0</version>
                <configuration>
                    <descriptorRefs>
                        <descriptorRef>jar-with-dependencies</descriptorRef>
                    </descriptorRefs>
                </configuration>
                <executions>
                    <execution>
                        <id>make-assembly</id>
                        <phase>package</phase>
                        <goals>
                            <goal>single</goal>
                        </goals>
                    </execution>
                </executions>
            </plugin>
            <plugin>
                <groupId>net.alchim31.maven</groupId>
                <artifactId>scala-maven-plugin</artifactId>
                <version>3.3.2</version>
                <executions>
                    <execution>
                        <id>scala-compile-first</id>
                        <phase>process-resources</phase>
                        <goals>
                            <goal>add-source</goal>
                            <goal>compile</goal>
                        </goals>
                    </execution>
                    <execution>
                        <id>scala-test-compile</id>
                        <phase>process-test-resources</phase>
                        <goals>
                            <goal>testCompile</goal>
                        </goals>
                    </execution>
                </executions>
            </plugin>
        </plugins>
    </build>
</project>

在这里插入图片描述

在资源文件夹里创建日志属性文件

log4j.rootLogger=ERROR, stdout, logfile
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
log4j.appender.logfile=org.apache.log4j.FileAppender
log4j.appender.logfile.File=target/spark.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n

创建net.hw.rdd包

第一种方式：读取二元组成绩列表

在net.hw.rdd包里创建CalculateScoreSum单例对象

运行程序，查看结果

第二种方式：读取四元组成绩列表

在net.hw.rdd包里创建CalculateScoreSum02单例对象

package net.hw.rdd

import org.apache.spark.{SparkConf, SparkContext}

import scala.collection.mutable.ListBuffer

// 功能：计算总分

object CalculateScoreSum02 {
  def main(args: Array[String]): Unit = {
    // 创建Spark配置对象
    val conf = new SparkConf()
      .setAppName("CalculateScoreSum")
      .setMaster("local[*]")
    // 基于配置创建Spark上下文
    val sc = new SparkContext(conf)

    // 创建四元组成绩列表
    val scores = List(
      ("张钦林", 78, 90, 76),
      ("陈燕文", 95, 88, 98),
      ("卢志刚", 78, 80, 60)
    )
    // 将四元组成绩列表转化成二元组成绩列表
    val newScores = new ListBuffer[(String, Int)]();
    // 通过遍历算子遍历四元组成绩列表
    scores.foreach(score => {
        newScores += Tuple2(score._1, score._2)
        newScores += Tuple2(score._1, score._3)
        newScores += Tuple2(score._1, score._4)}
    )
    // 基于二元组成绩列表创建RDD
    val rdd1 = sc.makeRDD(newScores)
    // 对成绩RDD进行按键归约处理
    val rdd2 = rdd1.reduceByKey((x, y) => x + y)
    // 输出归约处理结果
    rdd2.collect.foreach(println)
  }
}

可以采用循环结构将四元组成绩列表转化成二元组成绩列表

for (score <- scores) {
   newScores += Tuple2(score._1, score._2)
   newScores += Tuple2(score._1, score._3)
   newScores += Tuple2(score._1, score._4)
}

运行程序，查看结果

第三种情况：读取HDFS上的成绩文件

在master虚拟机的/home目录里创建成绩文件 - scores.txt
将成绩文件上传到HDFS的/input目录
在net.hw.rdd包里创建CalculateScoreSum03单例对象

package net.hw.rdd

import org.apache.spark.{SparkConf, SparkContext}

import scala.collection.mutable.ListBuffer

/**
 * 功能：计算总分
 * 作者：华卫
 * 日期：2022年05月31日
 */
object CalculateScoreSum03 {
  def main(args: Array[String]): Unit = {
    // 创建Spark配置对象
    val conf = new SparkConf()
      .setAppName("CalculateScoreSum")
      .setMaster("local[*]")
    // 基于配置创建Spark上下文
    val sc = new SparkContext(conf)

    // 读取成绩文件，生成RDD
    val lines = sc.textFile("hdfs://master:9000/input/scores.txt")
    // 定义二元组成绩列表
    val scores = new ListBuffer[(String, Int)]()
    // 遍历lines，填充二元组成绩列表
    lines.collect.foreach(line => {
      val fields = line.split(" ")
      scores += Tuple2(fields(0), fields(1).toInt)
      scores += Tuple2(fields(0), fields(2).toInt)
      scores += Tuple2(fields(0), fields(3).toInt)
    })
    // 基于二元组成绩列表创建RDD
    val rdd1 = sc.makeRDD(scores)
    // 对成绩RDD进行按键归约处理
    val rdd2 = rdd1.reduceByKey((x, y) => x + y)
    // 输出归约处理结果
    rdd2.collect.foreach(println)
  }
}

运行程序，查看结果
在Spark Shell里完成同样的任务
修改程序，将计算结果写入HDFS文件
运行程序，报错没有写权限
设置HADOOP_USER_NAME属性为root
运行程序，查看结果
查看HDFS上生成的结果文件

（五）合并算子 - union()

1、合并算子功能

union()算子将两个RDD合并为一个新的RDD，主要用于对不同的数据来源进行合并，两个RDD中的数据类型要保持一致。

2、合并算子案例

创建两个RDD，合并成一个新RDD

（六）排序算子 - sortBy()

1、排序算子功能

sortBy()算子将RDD中的元素按照某个规则进行排序。该算子的第一个参数为排序函数，第二个参数是一个布尔值，指定升序（默认）或降序。若需要降序排列，则需将第二个参数置为false。

2、排序算子案例

一个数组中存放了三个元组，将该数组转为RDD集合，然后对该RDD按照每个元素中的第二个值进行降序排列。
sortBy(x=>x._2,false)中的x代表rdd1中的每个元素。由于rdd1的每个元素是一个元组，因此使用x._2取得每个元素的第二个值。当然，sortBy(x=>x._2,false)也可以直接简化为sortBy(_._2,false)。

（七）按键排序算子 - sortByKey()

1、按键排序算子功能

sortByKey()算子将(key,value)形式的RDD按照key进行排序。默认升序，若需降序排列，则可以传入参数false。

2、按键排序算子案例

将三个二元组构成的RDD按键先降序排列，然后升序排列

（八）连接算子

1、内连接算子 - join()

（1）内连接算子功能

join()算子将两个(key, value)形式的RDD根据key进行连接操作，相当于数据库的内连接（Inner Join），只返回两个RDD都匹配的内容。

（2）内连接算子案例

将rdd1与rdd2进行内连接

2、左外连接算子 - leftOuterJoin()

（1）左外连接算子功能

leftOuterJoin()算子与数据库的左外连接类似，以左边的RDD为基准（例如rdd1.leftOuterJoin(rdd2)，以rdd1为基准），左边RDD的记录一定会存在。例如，rdd1的元素以(k,v)表示，rdd2的元素以(k, w)表示，进行左外连接时将以rdd1为基准，rdd2中的k与rdd1的k相同的元素将连接到一起，生成的结果形式为(k,(v,Some(w))。rdd1中其余的元素仍然是结果的一部分，元素形式为(k,(v,None)。Some和None都属于Option类型，Option类型用于表示一个值是可选的（有值或无值)。若确定有值，则使用Some（值）表示该值；若确定无值，则使用None表示该值。

（2）左外连接算子案例

rdd1与rdd2进行左外连接

3、右外连接算子 - rightOuterJoin()

（1）右外连接算子功能

rightOuterJoin()算子的使用方法与leftOuterJoin()算子相反，其与数据库的右外连接类似，以右边的RDD为基准（例如rdd1.rightOuterJoin(rdd2)，以rdd2为基准），右边RDD的记录一定会存在。

（2）右外连接算子案例

rdd1与rdd2进行右外连接

4、全外连接算子 - fullOuterJoin()

（1）全外连接算子功能

fullOuterJoin()算子与数据库的全外连接类似，相当于对两个RDD取并集，两个RDD的记录都会存在。值不存在的取None。

（2）全外连接算子案例

rdd1与rdd2进行全外连接

（九）交集算子 - intersection()

1、交集算子功能

intersection()算子对两个RDD进行交集操作，返回一个新的RDD。要求两个算子类型要一致。

2、交集算子案例

rdd1与rdd2进行交集操作

（十）去重算子 - distinct()

1、去重算子功能

distinct()算子对RDD中的数据进行去重操作，返回一个新的RDD。有点类似与集合的不允许重复元素。

2、去重算子案例

去掉rdd中重复的元素

（十一）组合分组算子 - cogroup()

1、组合分组算子功能

cogroup()算子对两个(key, value)形式的RDD根据key进行组合，相当于根据key进行并集操作。例如，rdd1的元素以(k, v)表示，rdd2的元素以(k, w)表示，执行rdd1.cogroup(rdd2)生成的结果形式为(k, (Iterable, Iterable))。

2、组合分组算子案例

rdd1与rdd2进行组合分组操作

五、掌握行动算子

Spark中的转化算子并不会马上进行运算，而是在遇到行动算子时才会执行相应的语句，触发Spark的任务调度。

（一）归约算子 - reduce()

1、归约算子功能

reduce()算子按照传入的函数进行归约计算

2、归约算子案例

计算1 + 2 + 3 + … … + 100 1 + 2 + 3 + …… + 1001+2+3+……+100的值
计算1 2 + 2 2 + 3 2 + 4 2 + 5 2 1^2 + 2^2 + 3^2 + 4^2 + 5^212+22+32+42+52的值

（三）按键计数算子 - countByKey()

1、按键计数算子功能

按键统计RDD键值出现的次数，返回由键值和次数构成的映射。

2、按键计数算子案例

List集合中存储的是键值对形式的元组，使用该List集合创建一个RDD，然后对其进行countByKey()的计算。

（四）前截取算子 - take(n)

1、前截取算子功能

返回RDD的前n个元素（同时尝试访问最少的partitions)，返回结果是无序的，测试使用。

2、前截取算子案例

返回集合中前5个元素组成的数组

（五）遍历算子 - foreach()

1、遍历算子功能

计算 RDD中的每一个元素，但不返回本地（只是访问一遍数据)，可以配合println()友好打印数据。

2、遍历算子案例

将RDD里的每个元素平方后输出

（六）存文件算子 - saveAsFile()

1、存文件算子功能

将RDD数据保存到本地文件或HDFS文件

2、存文件算子案例

将rdd内容保存到HDFS的/park/out.txt

是你啊初心

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
1
评论
Spark大数据处理讲课笔记3.2 掌握RDD算子

上面这个映射写成函数：f ( x ) = 2 x , x ∈ R f(x)=2x,x\in \Bbb Rf(x)=2x,x∈R。，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。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。方法二、用神奇占位符改写传入过滤算子的匿名函数。因为RDD的元素为分布式的，数据可能分布在不同的节点上。内容，可以采用遍历算子，分行输出内容。方法一、将匿名函数传给过滤算子。
复制链接

扫一扫