在學習Spark前,建議先正確理解spark,可以參考:正確理解spark
本篇對JavaRDD基本的action api進行了詳細的描述
先定義兩個Comparator實現,一個是實現升序,一個是實現降序
//升序排序比較器 private static class AscComparator implements Comparator<Integer>, Serializable { @Override public int compare(java.lang.Integer o1, java.lang.Integer o2) { return o1 - o2; } } //降序排序比較器 private static class DescComparator implements Comparator<Integer>, Serializable { @Override public int compare(java.lang.Integer o1, java.lang.Integer o2) { return o2 - o1; } }
再定義一個RDD:
JavaRDD<Integer> listRDD = sc.parallelize(Arrays.asList(1, 2, 4, 3, 3, 6), 2);
一、collect、take、top、first
//結果: [1, 2, 4, 3, 3, 6] 將RDD的所有數據收集到driver端來,用於小數據或者實驗, // 對大數據量的RDD進行collect會出現driver端內存溢出 System.out.println("collect = " + listRDD.collect()); //結果:[1, 2] 將RDD前面兩個元素收集到java端 //take的原理大致爲:先看看RDD第一個分區的元素夠不夠我們想take的數量 //不夠的話再根據剩餘的需要take的數據量來估算需要掃描多少個分區的數據,直到take到了我們想要的數據個數爲止 System.out.println("take(2) = " + listRDD.take(2)); //結果:[6, 4] 取RDD升序的最大的兩個元素 System.out.println("top(2) = " + listRDD.top(2)); //結果:[1, 2] 取RDD降序的最大的兩個元素(即取RDD最小的兩個元素) System.out.println("DescComparator top(2) = " + listRDD.top(2, new DescComparator())); //結果:1 其底層實現就是take(1) System.out.println("first = " + listRDD.first());
二、min、max
//結果:1。 按照升序取最小值,就是RDD的最小值 System.out.println("min = " + listRDD.min(new AscComparator())); //結果:6 按照降序取最小值,就是RDD的最大值 System.out.println("min = " + listRDD.min(new DescComparator())); //結果:6 按照升序取最大值,就是RDD的最大值 System.out.println("max = " + listRDD.max(new AscComparator())); //結果:1 按照降序取最大值,就是RDD的最小值 System.out.println("max = " + listRDD.max(new DescComparator()));
min和max的底層是用reduce api來實現的,下面是僞代碼
min() == reduce((x, y) => if (x <= y) x else y) max() == redcue((x, y) => if (x >= y) x else y)
對於reduce api我們見下面的講解
三、takeOrdered
//結果:[1, 2] 返回該RDD最小的兩個元素 System.out.println("takeOrdered(2) = " + listRDD.takeOrdered(2)); //結果:[1, 2] 返回RDD按照升序的前面兩個元素,即返回該RDD最小的兩個元素 System.out.println("takeOrdered(2) = " + listRDD.takeOrdered(2, new AscComparator())); //結果:[6, 4] 返回RDD按照降序的前面兩個元素,即返回該RDD最大的兩個元素 System.out.println("takeOrdered(2) = " + listRDD.takeOrdered(2, new DescComparator()));
四、foreach和foreachPartition
foreach是對RDD每一個元素應用自定義的函數,而foreachPartition是對RDD的每一個partition應用自定義的函數,使用時需要注意下面的建議
先定義一個比較耗時的操作:
public static Integer getInitNumber(String source) { System.out.println("get init number from " + source + ", may be take much time........"); try { TimeUnit.SECONDS.sleep(1); } catch (InterruptedException e) { e.printStackTrace(); } return 1; }
listRDD.foreach(new VoidFunction<Integer>() { @Override public void call(Integer element) throws Exception { //這個性能太差,遍歷每一個元素的時候都需要調用比較耗時的getInitNumber //建議採用foreachPartition來代替foreach操作 Integer initNumber = getInitNumber("foreach"); System.out.println((element + initNumber) + "========="); } }); listRDD.foreachPartition(new VoidFunction<Iterator<Integer>>() { @Override public void call(Iterator<Integer> integerIterator) throws Exception { //和foreach api的功能是一樣,只不過一個是將函數應用到每一條記錄,這個是將函數應用到每一個partition //如果有一個比較耗時的操作,只需要每一分區執行一次這個操作就行,則用這個函數 //這個耗時的操作可以是連接數據庫等操作,不需要計算每一條時候去連接數據庫,一個分區只需連接一次就行 Integer initNumber = getInitNumber("foreach"); while (integerIterator.hasNext()) { System.out.println((integerIterator.next() + initNumber) + "========="); } } });
五、reduce 和 treeReduce
Integer reduceResult = listRDD.reduce(new Function2<Integer, Integer, Integer>() { @Override public Integer call(Integer ele1, Integer ele2) throws Exception { return ele1 + ele2; } }); //結果:19 System.out.println("reduceResult = " + reduceResult); Integer treeReduceResult = listRDD.treeReduce(new Function2<Integer, Integer, Integer>() { @Override public Integer call(Integer integer, Integer integer2) throws Exception { return integer + integer2; } }, 3); //這個3表示做3次聚合才計算出結果 //結果:19 System.out.println("treeReduceResult = " + treeReduceResult);
它們倆的結果是一樣的,但是執行流程不一樣,如下流程:
如果分區數太多的話,使用treeReduce做多次聚合,可以提高性能,如下:
六、fold
fold其實和reduce的功能類似,只不過fold多了一個初始值而已
//和reduce的功能類似,只不過是在計算每一個分區的時候需要加上初始值0,最後再將每一個分區計算出來的值相加再加上這個初始值 Integer foldResult = listRDD.fold(0, new Function2<Integer, Integer, Integer>() { @Override public Integer call(Integer integer, Integer integer2) throws Exception { return integer + integer2; } }); //結果:19 System.out.println("foldResult = " + foldResult);
七、aggregate 和 treeAggregate
//先初始化一個我們想要的返回的數據類型的初始值 //然後在每一個分區對每一個元素應用函數一(acc, value) => (acc._1 + value, acc._2 + 1)進行聚合 //最後將每一個分區生成的數據應用函數(acc1, acc2) => (acc1._1 + acc2._1, acc1._2 + acc2._2)進行聚合 Tuple2 aggregateResult = listRDD.aggregate(new Tuple2<Integer, Integer>(0, 0), new Function2<Tuple2<Integer, Integer>, Integer, Tuple2<Integer, Integer>>() { @Override public Tuple2<Integer, Integer> call(Tuple2<Integer, Integer> acc, Integer integer) throws Exception { return new Tuple2<>(acc._1 + integer, acc._2 + 1); } }, new Function2<Tuple2<Integer, Integer>, Tuple2<Integer, Integer>, Tuple2<Integer, Integer>>() { @Override public Tuple2<Integer, Integer> call(Tuple2<Integer, Integer> acc1, Tuple2<Integer, Integer> acc2) throws Exception { return new Tuple2<>(acc1._1 + acc2._1, acc1._2 + acc2._2); } }); //結果:(19,6) System.out.println("aggregateResult = " + aggregateResult); Tuple2 treeAggregateResult = listRDD.treeAggregate(new Tuple2<Integer, Integer>(0, 0), new Function2<Tuple2<Integer, Integer>, Integer, Tuple2<Integer, Integer>>() { @Override public Tuple2<Integer, Integer> call(Tuple2<Integer, Integer> acc, Integer integer) throws Exception { return new Tuple2<>(acc._1 + integer, acc._2 + 1); } }, new Function2<Tuple2<Integer, Integer>, Tuple2<Integer, Integer>, Tuple2<Integer, Integer>>() { @Override public Tuple2<Integer, Integer> call(Tuple2<Integer, Integer> acc1, Tuple2<Integer, Integer> acc2) throws Exception { return new Tuple2<>(acc1._1 + acc2._1, acc1._2 + acc2._2); } }, 2); //結果:(19,6) System.out.println("treeAggregateResult = " + treeAggregateResult);
兩者的結果是一致的,只不過執行流程不一樣,如下是aggregate的執行流程:
如果RDD的分區數非常多的話,建議使用treeAggregate,如下是treeAggregate的執行流程:
aggregate和treeAggregate的比較:
1: aggregate在combine上的操作,時間複雜度爲O(n). treeAggregate的時間複雜度爲O(lgn)。
n表示分區數
2: aggregate把數據全部拿到driver端,存在內存溢出的風險。treeAggregate則不會。
3:aggregate 比 treeAggregate在最後結果的reduce操作時,多使用了一次初始值
對於以上api的原理層面的講解,可以參考spark core RDD api原理詳解,因爲用文字講清楚原理性的東西是一件比較困難的事情,看了後記得也不深入