文章目錄
- 一.Transform類型算子
- 1.1 Value 類型
- 1.1.1 map 算子
- 1.1.2 mapParatition 算子
- 1.1.3 mapPartitionsWithIndex 算子
- 1.1.4 flatMap 算子
- 1.1.5 map 和 mapParatition的區別
- 1.1.6 glom 算子
- 1.1.7 groupBy 算子
- 1.1.8 filter 算子
- 1.1.9 sample 算子
- 1.1.10 distinct 算子
- 1.1.11 coalesce 算子
- 1.1.12 repartition 算子
- 1.1.13 coalesce 和 repartition 的區別
- 1.1.14 sortBy 算子
- 1.1.15 pipe 算子
- 1.2 雙 Value 類型交互
- 1.3 Key-Value 類型
一.Transform類型算子
1.1 Value 類型
1.1.1 map 算子
介紹 :
返回一個新的RDD,該RDD由每一個輸入元素經過func函數轉換後組成 ,也就是說RDD中每個元素都會執行一次這個方法
代碼 :
// 創建SparkConf 設置本地運行模式
val conf = new SparkConf()
.setMaster("local[1]")
.setAppName("MapOperator")
// 創建SparkContext
val sc = new SparkContext(conf)
sc.setLogLevel("ERROR")
// 創建數據
val rdd = sc.parallelize(List("李白", "韓信", "張飛")).cache()
// 使用 Map 算子
val result = rdd.map((x) => (x,1))
// 打印結果
result.foreach((x) => println(x.toString()))
// 關閉SparkContext
sc.stop()
1.1.2 mapParatition 算子
介紹 :
類似於 map,但獨立地在 RDD 的每一個分片上運行,因此在類型爲 T 的 RDD 上
運行時,func 的函數類型必須是 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,一個函數一次處理所有分區。
代碼 :
// 創建SparkConf 設置本地運行模式
val conf = new SparkConf()
.setMaster("local[1]")
.setAppName("MapPartitionsOperator")
// 創建SparkContext
val sc = new SparkContext(conf)
sc.setLogLevel("ERROR")
/**
* 類似於 map,但獨立地在 RDD 的每一個分片上運行 , 而 Map 是在
* 每一個元素上運行一次
*/
// 創建數據
val rdd = sc.parallelize(List("李白", "韓信", "張飛")).cache()
// 使用 MapParatitions 算子
// 補充 : { 一般是 寫代碼塊的時候用 ( 是 單行代碼可以直接用
def fun(x : Iterator[String]): Iterator[Tuple2[String, Int]] ={
// 創建Tuple類型的集合 用於存儲數據
// List 需要創建成 var 類型的因爲拼接時需要指向新的List的對象
var list = List[Tuple2[String, Int]]()
while (x.hasNext) {
// x
var elem = x.next()
// 將數據存入List中 再使用拼接集合的方式將數據添加到
list = list.:::(List(new Tuple2[String, Int](elem, 1)))
// 備註 : 這裏 ::: 和 :: 的區別是 ::: 的參數是 List , 而 :: 的參數是元素
}
list.iterator
}
// 可以直接使用匿名函數或者直接定義函數傳入有
// rdd.mapPartitions(fun)
val result = rdd.mapPartitions { x =>
// 創建Tuple類型的集合 用於存儲數據
// List 需要創建成 var 類型的因爲拼接時需要指向新的List的對象
var list = List[Tuple2[String, Int]]()
while (x.hasNext) {
// x
var elem = x.next()
// 將數據存入List中 再使用拼接集合的方式將數據添加到
list = list.:::(List(new Tuple2[String, Int](elem, 1)))
// 備註 : 這裏 ::: 和 :: 的區別是 ::: 的參數是 List , 而 :: 的參數是元素
}
list.iterator
}
// 遍歷結果並打印
result.foreach(println(_))
// 關閉SparkContext
sc.stop()
1.1.3 mapPartitionsWithIndex 算子
- 作用:mapPartitionsWithIndex(func) 類似於 mapPartitions,但 func 帶有一個整數參數表示分片的索引值,相當於帶索引的
- 因此在類型爲 T 的 RDD 上運行時,func 的函數類型必須是(Int, Interator[T]) => Iterator[U];
- 需求:創建一個 RDD,使每個元素跟所在分區形成一個元組組成一個新的 RDD
代碼 :
// 帶索引的 MapPartitions
// 創建SparkConf 設置本地運行模式
val conf = new SparkConf()
.setMaster("local[1]")
.setAppName("MapPartitionsWithIndexOperator")
// 創建SparkContext
val sc = new SparkContext(conf)
sc.setLogLevel("ERROR")
// 創建數據
val rdd = sc.parallelize(List("李白", "韓信", "張飛")).cache()
def fun(index: Int, x: Iterator[String]): Iterator[Tuple2[Int, String]] = {
// List 需要創建成 var 類型的因爲拼接時需要指向新的List的對象
var list = List[Tuple2[Int, String]]()
while(x.hasNext){
// 獲取迭代器中的元素
var elem = x.next()
// 注意 : .::() 的參數是元素, 而 .:::() 的參數是 List
list = list.::(new Tuple2[Int, String](index, elem))
}
list.iterator
}
val result = rdd.mapPartitionsWithIndex(fun)
// 遍歷結果並打印
result.foreach(println(_))
// 關閉SparkContext
sc.stop()
1.1.4 flatMap 算子
類似於 map,但是每一個輸入元素可以被映射爲 0 或多個輸出元素(所以 func 應
該返回一個序列,而不是單一元素)比如 : 如果正常情況返回的是 :
List(1,2,3)
List(1,2,3,4)
List(1,2,3,4,5)
FlatMap 會將數據壓平, 都放到一個List裏面
123 1234 12345
代碼 :
// 創建 SparkContext
val conf = new SparkConf()
.setAppName("FlatMapOperator")
.setMaster("local[1]")
val sc = new SparkContext(conf)
// 設置SparkContext的打印日誌的級別
sc.setLogLevel("WARN")
/**
* 創建RDD :
* 1. 使用 paralize : seq => rdd 的本地集合 : List ... , numSlices : 分區數
* 2. 適用 makeRDD
*/
val rdd = sc.makeRDD(1 to 5)
val flatMapResult = rdd.flatMap(1 to _)
val mapResult = rdd.map(1 to _)
// Map 和 Flat Map 的區別
mapResult.foreach(println(_))
flatMapResult.foreach(println(_))
// 關閉 SparkContext
sc.stop()
1.1.5 map 和 mapParatition的區別
- map():每次處理一條數據。
- mapPartition():每次處理一個分區的數據,這個分區的數據處理完後,原 RDD 中分區的
數據才能釋放,可能導致 OOM。- 開發指導:當內存空間較大的時候建議使用 mapPartition(),以提高處理效率。
1.1.6 glom 算子
- 作用:將每一個分區形成一個數組,形成新的 RDD 類型時 RDD[Array[T]]
- 需求:創建一個 4 個分區的 RDD,並將每個分區的數據放到一個數組
代碼 :
// 創建 SparkContext
val conf = new SparkConf()
.setAppName("Spark APP")
.setMaster("local[1]")
val sc = new SparkContext(conf)
// 設置SparkContext的打印日誌的級別
sc.setLogLevel("WARN")
//1. 作用:將每一個分區形成一個數組,形成新的 RDD 類型時 RDD[Array[T]]
//2. 需求:創建一個 4 個分區的 RDD,並將每個分區的數據放到一個數組
// 生成rdd數據, 設置分區爲 4
val rdd = sc.parallelize(1 to 10, 4)
// 注意返回值
val result : RDD[Array[Int]] = rdd.glom()
result.foreach(arr => {
// arr 是 Array 類型
for (i <- 0 until arr.length) {
// 打印結果
println(arr(i))
}
println("==========================================")
})
// 關閉SparkContext
sc.stop()
1.1.7 groupBy 算子
- 作用:分組,按照傳入函數的返回值進行分組。將相同的 key 對應的值放入一個迭代器。
- 需求:創建一個 RDD,按照元素模以 2 的值進行分組
- 補充: 這個算子的效率並不高, 不推薦使用, 詳情可以查看源碼中對應方法的Note部分
代碼 :
// 創建 SparkContext
val conf = new SparkConf()
.setAppName("Spark APP")
.setMaster("local[1]")
val sc = new SparkContext(conf)
// 設置SparkContext的打印日誌的級別
sc.setLogLevel("WARN")
// 創建數據
val rdd = sc.parallelize(1 to 10)
val result : RDD[(String, Iterable[Int])]= rdd.groupBy(x => {
var key = ""
x match {
case _ if (x < 3) => {
key = "small"
}
case _ if (x > 3 && x < 5) => {
key = "big"
}
case _ if (x > 5) => {
key = "very big"
}
case _ => {
key = "void"
}
}
key
})
// 遍歷結果
result.foreach(x => {
println("key : " + x._1 + " \t" + x._2)
})
sc.stop()
1.1.8 filter 算子
- 作用:過濾。返回一個新的 RDD,該 RDD 由經過 func 函數計算後返回值爲 true 的輸入
元素組成。- 需求:創建一個 RDD(由字符串組成),過濾出一個新 RDD(包含”xiao”子串)
代碼 :
// 創建 SparkContext
val conf = new SparkConf()
.setAppName("Spark APP")
.setMaster("local[1]")
val sc = new SparkContext(conf)
// 設置SparkContext的打印日誌的級別
sc.setLogLevel("WARN")
val rdd = sc.parallelize(1 to 10)
// 過濾。返回一個新的 RDD,該 RDD 由經過 func 函數計算後返回值爲 true 的輸入元素組成。
val result : RDD[Int] = rdd.filter(x => {
if (x % 2 == 0){
true
}
false
})
// 打印結果
result.foreach(println(_))
sc.stop()
1.1.9 sample 算子
- 作用:以指定的隨機種子隨機抽樣出數量爲 fraction 的數據,
fraction 大小在 [0,1] 代表抽出百分之 多少的數據 比如 fraction = 0.3 表示抽出 30% 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,seed 用於指定隨機數生成器種子。
- 需求:創建一個 RDD(1-10),從中選擇放回和不放回抽樣
代碼 :
// 創建 SparkContext
val conf = new SparkConf()
.setAppName("Spark APP")
.setMaster("local[1]")
val sc = new SparkContext(conf)
// 設置SparkContext的打印日誌的級別
sc.setLogLevel("WARN")
// 創建數據
val rdd = sc.parallelize(1 to 200)
// 抽樣
/**
* 作用:以指定的隨機種子隨機抽樣出數量爲 fraction * 總數據量的的數據,
* fraction 大小在 [0,1] 代表抽出百分之 多少的數據 比如 fraction = 0.3 表示抽出 30% 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,seed 用於指定隨機數生成
* 器種子。
*/
val result = rdd.sample(true, 0.2, 1234L)
// 遍歷
result.foreach(println(_))
// 關閉SparkContext
sc.stop()
1.1.10 distinct 算子
- 作用:對源 RDD 進行去重後返回一個新的 RDD。默認情況下,只有 8 個並行任務來操
作,但是可以傳入一個可選的 numTasks 參數改變它。- 需求:創建一個 RDD,使用 distinct() 對其去重
代碼 :
// 創建 SparkContext
val conf = new SparkConf()
.setAppName("Spark APP")
.setMaster("local[1]")
val sc = new SparkContext(conf)
// 設置SparkContext的打印日誌的級別
sc.setLogLevel("WARN")
// 創建數據
val rdd = sc.parallelize(List("張", "韓", "李", "韓", "王", "王"))
// 使用去重
val result = rdd.distinct()
// 打印結果
result.foreach(println(_))
sc.stop()
1.1.11 coalesce 算子
- 作用:縮減分區數,用於大數據集過濾後,提高小數據集的執行效率。
如果數據較少的情況下, 分區數太多其實並不好,
- 需求:創建一個 4 個分區的 RDD,對其縮減分區
代碼 :
// 創建 SparkContext
val conf = new SparkConf()
.setAppName("Spark APP")
.setMaster("local[1]")
val sc = new SparkContext(conf)
// 設置SparkContext的打印日誌的級別
sc.setLogLevel("WARN")
// 產生數據
val rdd = sc.parallelize(1 to 10, 4)
// 縮小分區
// numPartitions 是重新的分區數據 , shuffle true 表示重新對數據進行shuffle
// 默認爲 false
val result = rdd.coalesce(2, true)
// 重新分區後的分區數
val numPartitions = result.partitions.size
println(numPartitions)
sc.stop()
1.1.12 repartition 算子
- 作用:根據分區數,重新通過網絡隨機洗牌所有數據。使用 coalesce 算子也可以達到相同的效果
shuffle 後可以讓數據分佈更均勻
- 需求:創建一個 4 個分區的 RDD,對其重新分區
代碼 :
def printPartition(rdd : RDD[Int]): Unit ={
rdd.foreachPartition(f => {
// 遍歷 Iterator 類型的數據的方法
while(f.hasNext){
var element = f.next()
print(element)
}
println()
})
}
def main(args: Array[String]): Unit = {
// 創建 SparkContext
val conf = new SparkConf()
.setAppName("Spark APP")
.setMaster("local[1]")
val sc = new SparkContext(conf)
// 設置SparkContext的打印日誌的級別
sc.setLogLevel("WARN")
// 創建數據
val rdd = sc.parallelize(1 to 15, 4)
// 打印各個分區的數據
printPartition(rdd)
// 重新分區 並shuffle 數據
// shuffle 後可以讓數據分佈更均勻
val result = rdd.repartition(3)
println("重新分區 並shuffle 數據.....")
printPartition(result)
sc.stop()
}
1.1.13 coalesce 和 repartition 的區別
- coalesce 重新分區,可以選擇是否進行 shuffle 過程。由參數 shuffle: Boolean = false/true 決定。
- repartition 實際上是調用的 coalesce,默認是進行 shuffle 的。源碼如下:
代碼 :
def repartition(numPartitions: Int)(implicit ord: Ordering[T] = null): RDD[T] = withScope {
coalesce(numPartitions, shuffle = true)
}
1.1.14 sortBy 算子
- 作用; sortBy(func,[ascending], [numTasks])使用 func 先對數據進行處理,按照處理後的數據比較結果排序,默認爲正序。注意 : 最終返回的結果是排序後的原數據!
- 需求:創建一個 RDD,按照不同的規則進行排序
代碼 :
// 創建 SparkContext
val conf = new SparkConf()
.setAppName("Spark APP")
.setMaster("local[1]")
val sc = new SparkContext(conf)
// 設置SparkContext的打印日誌的級別
sc.setLogLevel("WARN")
val rdd = sc.parallelize(List(1,4,2,5,8,3))
// 使用 函數先對數據進行處理, 然後在對處理過的數據進行排序
// 注意 : 最終返回的仍然是 原數據
// 比如 : 如果是 f % 2 , 4 % 2 => 0, 1 % 2 => 1
// 所以排名是 1 在 4前面 => 1,4
val result = rdd.sortBy(f => {
f % 2
})
// 遍歷結構
result.foreach(println(_))
sc.stop()
1.1.15 pipe 算子
- 作用:管道,針對每個分區,都執行一個 shell 腳本,返回輸出的 RDD。
注意:腳本需要放在 Worker 節點可以訪問到的位置- 需求:編寫一個腳本,使用管道將腳本作用於 RDD 上。
- 注意: 這個在windows上暫時是無法運行的, 因爲需要執行shell腳本
代碼 :
// 創建 SparkContext
val conf = new SparkConf()
.setAppName("Spark APP")
.setMaster("local[1]")
val sc = new SparkContext(conf)
// 設置SparkContext的打印日誌的級別
sc.setLogLevel("WARN")
val rdd = sc.parallelize(List("韓信", "白龍", "青帝"), 1)
val result = rdd.pipe("pipe.sh")
// 打印結果
result.foreach(print(_))
sc.stop()
1.2 雙 Value 類型交互
1.2.1 union 算子
- 作用:對源 RDD 和參數 RDD 求並集後返回一個新的 RDD
- 需求:創建兩個 RDD,求並集
代碼 :
// 創建 SparkContext
val conf = new SparkConf()
.setAppName("Spark APP")
.setMaster("local[1]")
val sc = new SparkContext(conf)
// 設置SparkContext的打印日誌的級別
sc.setLogLevel("WARN")
// 創建數據
val rdd = sc.parallelize(1 to 5)
val otherRdd = sc.parallelize(3 to 6)
// 求兩個RDD 的並集
val result = rdd.union(otherRdd)
// 打印結果
result.foreach(println(_))
sc.stop()
1.2.2 subtract 算子
- 作用:計算差的一種函數,去除兩個 RDD 中相同的元素,不同的數據將保留下來
比如 : rdd : 1,2,3,4,5,6 otherRdd : 4,5,6,7,8
它會把 rdd 和 otherRdd 中都有的數據從 rdd 中清除然後把rdd剩餘的數據返回來
結果是 : result : 1,2,3
- 需求:創建兩個 RDD,求第一個 RDD 與第二個 RDD 的差集
代碼 :
// 創建 SparkContext
val conf = new SparkConf()
.setAppName("Spark APP")
.setMaster("local[1]")
val sc = new SparkContext(conf)
// 設置SparkContext的打印日誌的級別
sc.setLogLevel("WARN")
// 創建數據
val rdd = sc.parallelize(1 to 6)
val otherRdd = sc.parallelize(4 to 8)
// 計算兩個rdd 的差集, 去除兩個rdd的相同的數據, 保留不同的數據
// 特別注意 !!!
// 比如 : rdd : 1,2,3,4,5,6 otherRdd : 4,5,6,7,8
// 它會把 rdd 和 otherRdd 中都有的數據從 rdd 中清除然後把rdd剩餘的數據返回來
val result = rdd.subtract(otherRdd)
// 打印結果
result.foreach(println(_))
sc.stop()
1.2.3 intersection 算子
- 作用:對源 RDD 和參數 RDD 求交集後返回一個新的 RDD
- 需求:創建兩個 RDD,求兩個 RDD 的交集
代碼 :
// 創建 SparkContext
val conf = new SparkConf()
.setAppName("Spark APP")
.setMaster("local[1]")
val sc = new SparkContext(conf)
// 設置SparkContext的打印日誌的級別
sc.setLogLevel("WARN")
// 創建數據
val rdd = sc.parallelize(1 to 6)
val otherRdd = sc.parallelize(4 to 8)
// 對源 RDD 和參數 RDD 求交集後返回一個新的 RDD
val result = rdd.intersection(otherRdd)
// 打印結果
result.foreach(println(_))
sc.stop()
1.2.4 cartesian 算子
- 作用:笛卡爾積(儘量避免使用)
- 需求:創建兩個 RDD,計算兩個 RDD 的笛卡爾積
代碼 :
// 創建 SparkContext
val conf = new SparkConf()
.setAppName("Spark APP")
.setMaster("local[1]")
val sc = new SparkContext(conf)
// 設置SparkContext的打印日誌的級別
sc.setLogLevel("WARN")
// 創建數據
val rdd = sc.parallelize(1 to 6)
val otherRdd = sc.parallelize(4 to 8)
// 計算笛卡爾積
// 謹慎使用, 因爲計算結果的數量級會很大
// 比如 : 兩個10萬數據的rdd計算笛卡爾 結果是 10萬 * 10萬 => 100億
val result = rdd.cartesian(otherRdd)
// 打印結果
result.foreach(println(_))
sc.stop()
1.2.5 zip 算子
- 作用:將兩個 RDD 組合成 Key/Value 形式的 RDD,這裏默認兩個 RDD 的 partition 數量以
及元素數量都相同,否則會拋出異常。- 需求:創建兩個 RDD,並將兩個 RDD 組合到一起形成一個(k,v)RDD
代碼 :
// 創建 SparkContext
val conf = new SparkConf()
.setAppName("Spark APP")
.setMaster("local[1]")
val sc = new SparkContext(conf)
// 設置SparkContext的打印日誌的級別
sc.setLogLevel("WARN")
// 創建數據
val rdd = sc.parallelize(List(1,2,3), 1)
val otherRdd = sc.parallelize(List("A", "B", "C"), 1)
//將兩個 RDD 組合成 Key/Value 形式的 RDD,這裏默認兩個 RDD 的 partition 數量以
//及元素數量都相同,否則會拋出異常 !
val result = rdd.zip(otherRdd)
result.foreach(println(_))
sc.stop()
1.3 Key-Value 類型
1.3.1 partitionBy 算子
- 作用:對 pairRDD 進行分區操作,如果原有的 partionRDD 和現有的 partionRDD 是一致
的話就不進行分區, 否則會生成 ShuffleRDD,即會產生 shuffle 過程。- 需求:創建一個 4 個分區的 RDD,對其重新分區
代碼 :
// 創建 SparkContext
val conf = new SparkConf()
.setAppName("Spark APP")
.setMaster("local[1]")
val sc = new SparkContext(conf)
// 設置SparkContext的打印日誌的級別
sc.setLogLevel("WARN")
// 創建數據
val rdd = sc.parallelize(Array("AA","BB","CC"), 4).map(x => (x,1))
//對 pairRDD 進行分區操作,如果原有的 partionRDD 和現有的 partionRDD 是一致
//的話就不進行分區, 否則會生成 ShuffleRDD,即會產生 shuffle 過程。
// 查看分區數
println("分區數 : ====> " + rdd.partitions.size)
// 對rdd 重新分區
val result = rdd.partitionBy(new HashPartitioner(2))
println("重新分區數 : ====> " + result.partitions.size)
sc.stop()
1.3.2 groupByKey 算子
- 作用:groupByKey 也是對每個 key 進行操作,但只生成一個 sequence。
- 需求:創建一個 pairRDD,將相同 key 對應值聚合到一個 sequence 中,並計算相同 key
對應值的相加結果。
代碼 :
// 創建 SparkContext
val conf = new SparkConf()
.setAppName("Spark APP")
.setMaster("local[1]")
val sc = new SparkContext(conf)
// 設置SparkContext的打印日誌的級別
sc.setLogLevel("WARN")
// 創建數據
val pairRdd = sc.parallelize(List("hello", "word", "word", "hello"))
.map(x => (x,1))
// 將key相同的數據聚合在一起
val result = pairRdd.groupByKey(2).map(x => (x._1, x._2.sum))
// 打印數據
result.foreach(println(_))
sc.stop()
1.3.3 reduceByKey 算子
- 在一個(K,V)的 RDD 上調用,返回一個(K,V)的 RDD,使用指定的 reduce 函數,將相同
key 的值聚合到一起,reduce 任務的個數可以通過第二個可選的參數來設置。- 需求:創建一個 pairRDD,計算相同 key 對應值的相加結果
代碼 :
// 創建 SparkContext
val conf = new SparkConf()
.setAppName("Spark APP")
.setMaster("local[1]")
val sc = new SparkContext(conf)
// 設置SparkContext的打印日誌的級別
sc.setLogLevel("WARN")
// 創建數據
val pairRdd = sc.parallelize(List("hello", "word", "word", "hello"))
.map(x => (x,1))
// 注意 : 這兩個傳入的都是 value的值
val result = pairRdd.reduceByKey((v1,v2) => {
v1 + v2
})
// 打印結果
result.foreach(println(_))
sc.stop()
1.3.4 reduceByKey和groupByKey 的區別
- reduceByKey:按照 key 進行聚合,在 shuffle 之前有 combine(預聚合)操作,返回結果
是 RDD[k,v].- groupByKey:按照 key 進行分組,直接進行 shuffle。
- 開發指導:reduceByKey 比 groupByKey,建議使用。但是需要注意是否會影響業務邏輯
1.3.5 aggregateByKey 算子
參數:(zeroValue:U,[partitioner: Partitioner]) (seqOp: (U, V) => U,combOp: (U, U) => U)
作用:在 kv 對的 RDD 中,,按 key 將 value 進行分組合並,合併時,將每個 value 和初
始值作爲 seq 函數的參數,進行計算,返回的結果作爲一個新的 kv 對,然後再將結果按照
key 進行合併,最後將每個分組的 value 傳遞給 combine 函數進行計算(先將前兩個 value
進行計算,將返回結果和下一個 value 傳給 combine 函數,以此類推),將 key 與計算結果作
爲一個新的 kv 對輸出。參數描述:
(1)zeroValue:給每一個分區中的每一個 key 一個初始值;
(2)seqOp:函數用於在每一個分區中用初始值逐步迭代 value;
(3)combOp:函數用於合併每個分區中的結果。需求:創建一個 pairRDD,取出每個分區相同 key 對應值的最大值,然後相加
代碼 :
// 創建 SparkContext
val conf = new SparkConf()
.setAppName("Spark APP")
.setMaster("local[1]")
val sc = new SparkContext(conf)
// 設置SparkContext的打印日誌的級別
sc.setLogLevel("WARN")
val rdd = sc.parallelize(List("A","B","C"),2).map((x) => (x,1))
// 可以直接轉換pairRdd
val pairRdd = sc.parallelize(List(("a",3),("a",2),("c",4),("b",3),("c",6),("c",8)),2)
// 取出每個分區相同key對應的最大值, 然後相加
//(1)zeroValue:給每一個分區中的每一個 key 一個初始值;
//(2)seqOp:函數用於在每一個分區中用初始值逐步迭代 value;
//(3)combOp:函數用於合併每個分區中的結果。
// 注意 : 整個過程中 ! pairRdd 的key是不參與運算的
val result = pairRdd.aggregateByKey(0)((k, v) => {
// k是 zeroValue, v就是 rdd的value值
math.max(k,v)
}, (u1,u2) => {
// 用於合併value的值
u1 + u2
})
// 打印結果
result.foreach(println(_))
sc.stop()
1.3.6 foldByKey 算子
參數:(zeroValue: V)(func: (V, V) => V): RDD[(K, V)]
- 作用:aggregateByKey 的簡化操作,seqop 和 combop 相同
- 需求:創建一個 pairRDD,計算相同 key 對應值的相加結果
代碼 :
// 創建 SparkContext
val conf = new SparkConf()
.setAppName("Spark APP")
.setMaster("local[1]")
val sc = new SparkContext(conf)
// 設置SparkContext的打印日誌的級別
sc.setLogLevel("WARN")
// 可以直接轉換pairRdd
val pairRdd = sc.parallelize(List(("a",3),("a",2),("c",4),("b",3),("c",6),("c",8)),2)
//1. 作用:aggregateByKey 的簡化操作,seqop 和 combop 相同
//2. 需求:創建一個 pairRDD,計算相同 key 對應值的相加結果
val result = pairRdd.foldByKey(0)((v1,v2) => {
v1 + v2
})
// 打印結果
result.foreach(println(_))
sc.stop()
1.3.7 combineByKey 算子
參數:(createCombiner: V => C, mergeValue: (C, V) => C, mergeCombiners: (C, C) => C)
作用:對相同 K,把 V 合併成一個集合。
參數描述:[結合分析圖和代碼註釋理解]
(1)createCombiner: combineByKey() 會遍歷分區中的所有元素,因此每個元素的鍵要麼還沒有遇到過,要麼就和之前的某個元素的鍵相同。如果這是一個新的元素,combineByKey()會使用一個叫作
createCombiner()的函數來創建那個鍵對應的累加器的初始值
(2)mergeValue: 如果這是一個在處理當前分區之前已經遇到的鍵,它會使用 mergeValue()方法將該鍵的累加器對應的當前值與這個新的值進行合併
(3)mergeCombiners: 由於每個分區都是獨立處理的, 因此對於同一個鍵可以有多個累加器。如果有兩個或者更多的分區都有對應同一個鍵的累加器, 就需要使用用戶提供的 mergeCombiners() 方法將各個分區的結果進行合併。需求:創建一個 pairRDD,根據 key 計算每種 key 的均值。(先計算每個 key 出現的次數
以及可以對應值的總和,再相除得到結果
代碼 :
// 創建 SparkContext
val conf = new SparkConf()
.setAppName("Spark APP")
.setMaster("local[1]")
val sc = new SparkContext(conf)
// 設置SparkContext的打印日誌的級別
sc.setLogLevel("WARN")
// 創建數據
val rdd = sc.parallelize(
Array(("a", 88), ("b", 95), ("a", 91), ("b", 93), ("a", 95), ("b", 98)),2)
val result = rdd.combineByKey(
// createCombiner
// ("a",88) ("a", 91) 每種 key("a") 相同的只會生成一個 (88,1) 91,95 會在merge階段合併
(x) => {(x,1)},
// mergeValue 這個和階段是合併 key(key是指rdd的key 比如"a" / "b")相同的數據,
// 比如 a 的數據經過 createCombiner 得到的結果是 : (88,1) 91,95
// 開始 merge acc : (88,1) v: 91, => (179 , 2)
(acc:(Int,Int), v) => {(acc._1 + v, acc._2 + 1)},
// 這個階段是各個分區中相同key的數據進行合併
// 比如 : 分區1的是 (179,2) 分區2的是 (95,1) => 合併以後就是 (274,3)
// (274,3) 274是
(acc1 : (Int,Int), acc2 : (Int, Int)) =>{(acc1._1 + acc2._1, acc1._2 + acc2._2)}
)
result.foreach(println(_))
sc.stop()
1.3.8 sortByKey 算子
- 作用:在一個(K,V)的 RDD 上調用,K 必須實現 Ordered 接口,返回一個按照 key 進行排
序的(K,V)的 RDD- 需求:創建一個 pairRDD,按照 key 的正序和倒序進行排序
代碼 :
// 創建 SparkContext
val conf = new SparkConf()
.setAppName("Spark APP")
.setMaster("local[1]")
val sc = new SparkContext(conf)
// 設置SparkContext的打印日誌的級別
sc.setLogLevel("WARN")
// 創建數據
val rdd = sc.parallelize(Array((3,"aa"),(6,"cc"),(2,"bb"),(1,"dd")))
// 根據key排序 true 爲正序, false 爲倒序
val result = rdd.sortByKey(true)
result.foreach(println(_))
sc.stop()
1.3.9 mapValues 算子
- 針對於(K,V)形式的類型只對 V 進行操作
- 需求:創建一個 pairRDD,並將 value 添加字符串"|||"
代碼 :
// 創建 SparkContext
val conf = new SparkConf()
.setAppName("Spark APP")
.setMaster("local[1]")
val sc = new SparkContext(conf)
// 設置SparkContext的打印日誌的級別
sc.setLogLevel("WARN")
// 創建數據
val rdd = sc.parallelize(Array((1,"a"),(1,"d"),(2,"b"),(3,"c")))
// 只針對value進行操作
val result = rdd.mapValues(v => {
v + "|||"
})
// 打印結果
result.foreach(println(_))
sc.stop()
1.3.10 join 算子
- 作用:在類型爲(K,V)和(K,W)的 RDD 上調用,返回一個相同 key 對應的所有元素對在一
起的(K,(V,W))的 RDD- 需求:創建兩個 pairRDD,並將 key 相同的數據聚合到一個元組。
代碼 :
// 創建 SparkContext
val conf = new SparkConf()
.setAppName("Spark APP")
.setMaster("local[1]")
val sc = new SparkContext(conf)
// 設置SparkContext的打印日誌的級別
sc.setLogLevel("WARN")
// 創建數據
val rdd = sc.parallelize(Array((1,"a"), (2,"b"), (3,"c")))
val otherRdd = sc.parallelize(Array((1,"A"), (2,"B"), (3,"C")))
// 在類型爲(K,V)和(K,W)的 RDD 上調用,返回一個相同 key 對應的所有元素對在一
// 起的(K,(V,W))的 RDD
val result = rdd.join(otherRdd)
result.foreach(println(_))
sc.stop()
1.3.11 cogroup 算子
- 作用:在類型爲(K,V)和(K,W)的 RDD 上調用,返回一個(K,(Iterable,Iterable))類
型的 RDD- 需求:創建兩個 pairRDD,並將 key 相同的數據聚合到一個迭代器。
代碼 :
// 創建 SparkContext
val conf = new SparkConf()
.setAppName("Spark APP")
.setMaster("local[1]")
val sc = new SparkContext(conf)
// 設置SparkContext的打印日誌的級別
sc.setLogLevel("WARN")
//創建數據
val rdd = sc.parallelize(Array((1,"a"), (2,"b"), (3,"c")))
val otherRdd = sc.parallelize(Array((1,"A"), (2,"B"), (3,"C")))
// 在類型爲(K,V)和(K,W)的 RDD 上調用,返回一個(K,(Iterable<V>,Iterable<W>))類
//型的 RDD
val result = rdd.cogroup(otherRdd)
result.foreach(value => {
val key = value._1
val v1 : Iterable[String] = value._2._1
val v2 : Iterable[String] = value._2._2
print(key + " ")
print(v1 + " ")
print(v2 + " ")
println()
})
sc.stop()