Spark API

 RDD：彈性分佈式數據集，是一種特殊集合 ‚ 支持多種來源 ‚ 有容錯機制 ‚ 可以被緩存 ‚ 支持並行操作，一個RDD代表一個分區裏的數據集

  RDD有兩種操作算子：

         Transformation（轉換）：Transformation屬於延遲計算，當一個RDD轉換成另一個RDD時並沒有立即進行轉換，僅僅是記住了數據集的邏輯操作

         Ation（執行）：觸發Spark作業的運行，真正觸發轉換算子的計算

 

本系列主要講解Spark中常用的函數操作：

         1.RDD基本轉換

         2.鍵-值RDD轉換

         3.Action操作篇

本節所講函數

1.map(func)

2.flatMap(func)

3.mapPartitions(func)

4.mapPartitionsWithIndex(func)

5.simple(withReplacement,fraction,seed)

6.union(ortherDataset)

7.intersection(otherDataset)

8.distinct([numTasks])

9.cartesian(otherDataset)

10.coalesce(numPartitions，shuffle)

11.repartition(numPartition)

12.glom()

13.randomSplit(weight:Array[Double],seed)

 

基礎轉換操作：

 

1.map(func)：數據集中的每個元素經過用戶自定義的函數轉換形成一個新的RDD，新的RDD叫MappedRDD

（例1）

1 2 3 4 5 6 7 8 9 10

object Map {   def main(args: Array[String]) {     val conf = new SparkConf().setMaster("local").setAppName("map")     val sc = new SparkContext(conf)     val rdd = sc.parallelize(1 to 10)  //創建RDD     val map = rdd.map(_*2)             //對RDD中的每個元素都乘於2     map.foreach(x => print(x+" "))     sc.stop()   } }

輸出：

2 4 6 8 10 12 14 16 18 20

(RDD依賴圖：紅色塊表示一個RDD區，黑色塊表示該分區集合，下同)

 

2.flatMap(func):與map類似，但每個元素輸入項都可以被映射到0個或多個的輸出項，最終將結果”扁平化“後輸出

（例2）

1 2 3 4

//...省略sc    val rdd = sc.parallelize(1 to 5)    val fm = rdd.flatMap(x => (1 to x)).collect()    fm.foreach( x => print(x + " "))

輸出：

1 1 2 1 2 3 1 2 3 4 1 2 3 4 5

如果是map函數其輸出如下：

Range(1) Range(1, 2) Range(1, 2, 3) Range(1, 2, 3, 4) Range(1, 2, 3, 4, 5)

 (RDD依賴圖)

 

3.mapPartitions(func):類似與map，map作用於每個分區的每個元素，但mapPartitions作用於每個分區工

func的類型：Iterator[T] => Iterator[U]

假設有N個元素，有M個分區，那麼map的函數的將被調用N次,而mapPartitions被調用M次,當在映射的過程中不斷的創建對象時就可以使用mapPartitions比map的效率要高很多，比如當向數據庫寫入數據時，如果使用map就需要爲每個元素創建connection對象，但使用mapPartitions的話就需要爲每個分區創建connetcion對象

(例3)：輸出有女性的名字：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

object MapPartitions { //定義函數   def partitionsFun(/*index : Int,*/iter : Iterator[(String,String)]) : Iterator[String] = {     var woman = List[String]()     while (iter.hasNext){       val next = iter.next()       next match {         case (_,"female") => woman = /*"["+index+"]"+*/next._1 :: woman         case _ =>       }     }     return  woman.iterator   }     def main(args: Array[String]) {     val conf = new SparkConf().setMaster("local").setAppName("mappartitions")     val sc = new SparkContext(conf)     val l = List(("kpop","female"),("zorro","male"),("mobin","male"),("lucy","female"))     val rdd = sc.parallelize(l,2)     val mp = rdd.mapPartitions(partitionsFun)     /*val mp = rdd.mapPartitionsWithIndex(partitionsFun)*/     mp.collect.foreach(x => (print(x +" ")))   //將分區中的元素轉換成Aarray再輸出   } }

輸出：

kpop lucy

其實這個效果可以用一條語句完成

1	val mp = rdd.mapPartitions(x => x.filter(_._2 == "female")).map(x => x._1)

之所以不那麼做是爲了演示函數的定義

  (RDD依賴圖)

 

4.mapPartitionsWithIndex(func):與mapPartitions類似，不同的時函數多了個分區索引的參數

func類型：(Int, Iterator[T]) => Iterator[U]

（例4）：將例3橙色的註釋部分去掉即是

輸出：（帶了分區索引）

[0]kpop [1]lucy

 

5.sample(withReplacement,fraction,seed):以指定的隨機種子隨機抽樣出數量爲fraction的數據，withReplacement表示是抽出的數據是否放回，true爲有放回的抽樣，false爲無放回的抽樣

(例5)：從RDD中隨機且有放回的抽出50%的數據，隨機種子值爲3（即可能以1 2 3的其中一個起始值）

1 2 3 4 5

//省略     val rdd = sc.parallelize(1 to 10)     val sample1 = rdd.sample(true,0.5,3)     sample1.collect.foreach(x => print(x + " "))     sc.stop

 

6.union(ortherDataset):將兩個RDD中的數據集進行合併，最終返回兩個RDD的並集，若RDD中存在相同的元素也不會去重

1 2 3 4 5 6

//省略sc    val rdd1 = sc.parallelize(1 to 3)    val rdd2 = sc.parallelize(3 to 5)    val unionRDD = rdd1.union(rdd2)    unionRDD.collect.foreach(x => print(x + " "))    sc.stop

輸出：

1 2 3 3 4 5

　　

7.intersection(otherDataset):返回兩個RDD的交集

1 2 3 4 5 6

//省略sc val rdd1 = sc.parallelize(1 to 3) val rdd2 = sc.parallelize(3 to 5) val unionRDD = rdd1.intersection(rdd2) unionRDD.collect.foreach(x => print(x + " ")) sc.stop

輸出：

3 4

 

8.distinct([numTasks]):對RDD中的元素進行去重

1 2 3 4 5

//省略sc val list = List(1,1,2,5,2,9,6,1) val distinctRDD = sc.parallelize(list) val unionRDD = distinctRDD.distinct() unionRDD.collect.foreach(x => print(x + " "))

輸出：

1 6 9 5 2

 

9.cartesian(otherDataset):對兩個RDD中的所有元素進行笛卡爾積操作

1 2 3 4 5

//省略 val rdd1 = sc.parallelize(1 to 3) val rdd2 = sc.parallelize(2 to 5) val cartesianRDD = rdd1.cartesian(rdd2) cartesianRDD.foreach(x => println(x + " "))

輸出：

(1,2)
(1,3)
(1,4)
(1,5)
(2,2)
(2,3)
(2,4)
(2,5)
(3,2)
(3,3)
(3,4)
(3,5)

 (RDD依賴圖)

 

 

10.coalesce(numPartitions，shuffle):對RDD的分區進行重新分區，shuffle默認值爲false,當shuffle=false時，不能增加分區數

目,但不會報錯，只是分區個數還是原來的

(例9:）shuffle=false

1 2 3 4

//省略  val rdd = sc.parallelize(1 to 16,4) val coalesceRDD = rdd.coalesce(3) //當suffle的值爲false時，不能增加分區數(即分區數不能從5->7) println("重新分區後的分區個數:"+coalesceRDD.partitions.size)

輸出：

重新分區後的分區個數:3
//分區後的數據集
List(1, 2, 3, 4)
List(5, 6, 7, 8)
List(9, 10, 11, 12, 13, 14, 15, 16) 

　

(例9.1:）shuffle=true

1 2 3 4 5

//...省略 val rdd = sc.parallelize(1 to 16,4) val coalesceRDD = rdd.coalesce(7,true) println("重新分區後的分區個數:"+coalesceRDD.partitions.size) println("RDD依賴關係:"+coalesceRDD.toDebugString)

輸出：

重新分區後的分區個數:5
RDD依賴關係:(5) MapPartitionsRDD[4] at coalesce at Coalesce.scala:14 []
| CoalescedRDD[3] at coalesce at Coalesce.scala:14 []
| ShuffledRDD[2] at coalesce at Coalesce.scala:14 []
+-(4) MapPartitionsRDD[1] at coalesce at Coalesce.scala:14 []
| ParallelCollectionRDD[0] at parallelize at Coalesce.scala:13 []
//分區後的數據集
List(10, 13)
List(1, 5, 11, 14)
List(2, 6, 12, 15)
List(3, 7, 16)
List(4, 8, 9) 

 (RDD依賴圖:coalesce(3,flase))

 

 

 (RDD依賴圖:coalesce(3,true))

 

 

11.repartition(numPartition):是函數coalesce(numPartition,true)的實現，效果和例9.1的coalesce(numPartition,true)的一樣

 

 

12.glom():將RDD的每個分區中的類型爲T的元素轉換換數組Array[T]

 

1 2 3 4 5

//省略 val rdd = sc.parallelize(1 to 16,4) val glomRDD = rdd.glom() //RDD[Array[T]] glomRDD.foreach(rdd => println(rdd.getClass.getSimpleName)) sc.stop

輸出：

int[] //說明RDD中的元素被轉換成數組Array[Int]

 

 

13.randomSplit(weight:Array[Double],seed):根據weight權重值將一個RDD劃分成多個RDD,權重越高劃分得到的元素較多的機率就越大

1 2 3 4 5 6 7

//省略sc val rdd = sc.parallelize(1 to 10) val randomSplitRDD = rdd.randomSplit(Array(1.0,2.0,7.0)) randomSplitRDD(0).foreach(x => print(x +" ")) randomSplitRDD(1).foreach(x => print(x +" ")) randomSplitRDD(2).foreach(x => print(x +" ")) sc.stop

輸出：

2 4
3 8 9
1 5 6 7 10