SPARK RDD基础及常用算子浅谈
一、什么是SPARK RDD:
RDD是将数据项拆分为多个分区的集合,存储在集群的工作节点上的内存中,并执行正确的操作。RDD是用于数据转换的接口。RDD指向了存储在HDFS、Cassandra、HBase等、或缓存(内存、内存+磁盘、仅磁盘等),或在故障或缓存收回时重新计算其他RDD分区中的数据。
RDD是弹性分布式数据集(Resilient Distributed Datasets):
- 分布式数据集:RDD是只读的、分区记录的集合,每个分区分布在集群的不同节点上;RDD并不存储真正的数据,只是对数据和操作的描述。
- 弹性:RDD默认存放在内存中,当内存不足,Spark自动将RDD写入磁盘。
- 容错性:根据数据血统,可以自动从节点失败中恢复分区。
二、RDD与DAG:
- 两者都是Spark提供的核心抽象。
- DAG(有向无环图)反映了RDD之间的依赖关系。
三、RDD的特性:
- 一系列的分区(分片)信息,每个任务处理一个分区;
- 每个分区上都有compute函数,计算该分区中的数据;
- RDD之间有一系列的依赖;
- 分区函数决定数据(key-value)分配至哪个分区;
- 最佳位置列表,将计算任务分派到其所在处理数据块的存储位置。
四、RDD编程流程:
五、RDD的创建:
a.使用集合创建RDD:
- Spark默认会根据集群的情况来设置分区的数量,也可以通过parallelize()第二参数来指定;
- Spark会为每一个分区运行一个任务进行处理。
val rdd=sc.parallelize(List(1,2,3,4,5,6))
rdd.count
rdd.partitions.size
val rdd=sc.parallelize(List(1,2,3,4,5,6),5)
rdd.partitions.size
val rdd=sc.makeRDD(List(1,2,3,4,5,6))
b.通过加载文件产生RDD:
- 加载“file://……”时,以local运行仅需一份本地文件,以Spark集群方式运行,应保证每个节点均有该文件的本地副本;
- 文件中的一行文本作为RDD的一个元素
val distFile=sc.textFile("file:///home/hadoop/data/hello.txt")
distFile.count
val distHDFSFile=sc.textFile("hdfs://hadoop000:8020/hello.txt")
支持目录、压缩文件以及通配符:
- Spark默认访问HDFS;
- Spark默认为HDFS文件的每一个数据块创建一个分区,也可以通过textFile()第二个参数指定,但只能比数据块数量多。
sc.textFile("/my/directory")
sc.textFile("/my/directory/*.txt")
sc.textFile("/my/directory/*.gz")
c.其他创建RDD的方法:
SparkContext.wholeTextFiles():可以针对一个目录中的大量小文件返回<filename,fileContent>作为PairRDD:
- 普通RDD:org.apache.spark.rdd.RDD[data_type]
- PairRDD:org.apache.spark.rdd.RDD[(key_type,value_type)]
六、RDD分区:
分区是RDD被拆分并发送到节点的不同块之一:
- 我们拥有的分区越多,得到的并行性就越强;
- 每个分区都是被分发到不同Worker Node的候选者;
- 每个分区对应一个Task。
七、RDD的操作:
RDD操作分为lazy与non-lazy两种:
- Transformation(lazy):也称转换操作、转换算子;
- Actions(non-lazy):立即执行,也称动作操作、动作算子。
a.RDD转换算子:对于转换操作,RDD的所有转换都不会直接计算结果。
- 仅记录作用于RDD上的操作;
- 当遇到动作算子(Action)时才会进行真正计算。
(1)RDD常用转换算子:
i.map算子: - 对RDD中的每个元素都执行一个指定的函数来产生一个新的RDD;
- 任何原RDD中的元素在新RDD中都有且只有一个元素与之对应;
- 输入分区与输出分区一一对应。
//将原RDD中每个元素都乘以2来产生一个新的RDD
val a=sc.parallelize(1 to 9)
val b=a.map(x=>x*2)
a.collect
b.collect
//map把普通RDD变成PairRDD
val a=sc.parallelize(List("dog","tiger","lion","cat","panther","eagle"))
val b=a.map(x=>(x,1))
b.collect
ii.filter算子:
对元素进行过滤,对每个元素应用指定函数,返回值为true的元素保留在新的RDD中。
val a=sc.parallelize(1 to 10)
a.filter(_%2==0).collect
a.filter(_<4).collect
//map&filter
val rdd=sc.parallelize(List(1 to 6))
val mapRdd=rdd.map(_*2)
mapRdd.collect
val filterRdd=mapRdd.filter(_>5)
filterRdd.collect
iii.mapValues算子:
原RDD中的Key保持不变,与新的Value一起组成新的RDD中的元素,仅适用于PairRDD。
// 输出结果:Array((3,xdogx), (5,xtigerx), (4,xlionx), (3,xcatx), (7,xpantherx), (5,xeaglex))
val a=sc.parallelize(List("dog","tiger","lion","cat","panther","eagle"))
val b=a.map(x=>(x.length,x))
b.mapValues("x"+_+"x").collect
iv.其他常用转换算子:
- distinct
- reduceByKey
- sortByKey
- groupByKey
- union
- join
val dis = sc.parallelize(List(1,2,3,4,5,6,7,8,9,9,2,6))
dis.distinct.collect
dis.distinct(2).partitions.length
val a = sc.parallelize(List("dog", "salmon", "pig"), 3)
val f = a.map(x=>(x.length,x))
f.reduceByKey((a,b)=>(a+b)).collect
f.reduceByKey(_+_).collect
f.groupByKey.collect
val a = sc.parallelize(List("dog", "salmon", "pig"), 3)
val f = a.map(x=>(x.length,x))
f.sortByKey().collect
f.sortByKey(false).collect
val u1 = sc.parallelize(1 to 3)
val u2 = sc.parallelize(3 to 4)
u1.union(u2).collect
(u1 ++ u2).collect
u1.intersection(u2).collect
val j1 = sc.parallelize(List("abe", "abby", "apple"))
.map(a => (a, 1))
val j2 = sc.parallelize(List("apple", "beatty", "beatrice")).map(a => (a, 1))
j1.join(j2).collect
j1.leftOuterJoin(j2).collect
j1.rightOuterJoin(j2).collect
b.RDD动作算子:
- 本质上动作算子通过SparkContext执行提交作业操作,触发RDD DAG(有向无环图)的执行;
- 所有的动作算子都是急迫型(non-lazy),RDD遇到Action就会立即计算。
(1)RDD常用动作算子:
i.count:返回的是数据集中的元素的个数。
val rdd=sc.parallelize(List(1,2,3,4,5,6))
rdd.count
ii.collect:以Array返回RDD的所有元素。一般在过滤或者处理足够小的结果的时候使用。
val rdd=sc.parallelize(List(1,2,3,4,5,6))
rdd.collect
iii.take:返回前n个元素。
val rdd=sc.parallelize(List(1,2,3,4,5,6))
rdd.take(5)
iv.first:返回RDD第一个元素。
val rdd=sc.parallelize(List(1,2,3,4,5,6))
rdd.first
v.reduce:根据指定函数,对RDD中的元素进行两两计算,返回计算结果。
val a=sc.parallelize(1 to 100)
a.reduce((x,y)=>x+y)
a.reduce(_+_) //与上面等价
val b=sc.parallelize(Array(("A",0), ("A",2), ("B",1), ("B",2), ("C",1)))
b.reduce((x,y)=>{(x._1+y._1,x._2+y._2)}) //(AABBC,6)
vi.foreach:对RDD中的每个元素都使用指定函数,无返回值。
val rdd=sc.parallelize(1 to 100)
rdd.foreach(println)
vii.lookup:用于PairRDD,返回K对应的所有V值。
val rdd=sc.parallelize(List(('a',1), ('a',2), ('b',3), ('c',4)))
rdd.lookup('a') //输出WrappedArray(1, 2)
viii.max min:返回最大值、最小值
val y=sc.parallelize(10 to 30)
y.max //求最大值
y.min //求最小值
iv.saveAsTextFile:保存RDD数据至文件系统
val rdd=sc.parallelize(1 to 10,2)
rdd.saveAsTextFile("hdfs://hadoop-master:9000/data/rddsave/")