RDD编程

在Spark中，RDD被表示为对象，通过对象上的方法调用来对RDD进行转换。经过一系列的transformations定义RDD之后，就可以调用actions触发RDD的计算，action可以是向应用程序返回结果(count, collect等)，或者是向存储系统保存数据(saveAsTextFile等)。在Spark中，只有遇到action，才会执行RDD的计算(即延迟计算)，这样在运行时可以通过管道的方式传输多个转换。

RDD的创建：

• 集合中创建
  1. parallelize()
     val rdd = sc.parallelize(Array(1,2,3,4,5))
  2. makeRDD()
     val rdd = sc.makeRDD(Array(1,2,3,4,5))

RDD的转换(重点)

RDD整体上分为Value类型和Key-Value类型

• Value类型：

  • map(func)：返回一个新的RDD，该RDD由每一个输入元素经过func函数转换后组成
    示例：创建一个1-10数组的RDD，将所有元素*2形成新的RDD
    val res = sc.makeRDD(1 to 10)
res.collect() //Array[Int] = Array(1, 2, 3, 4, 5, 6, 7, 8, 9, 10)
val maprdd = rws.map( _ * 2)
maprdd.collect() // Array[Int] = Array(2, 4, 6, 8, 10, 12, 14, 16, 18, 20)
  • mapPartitions(func)：

  //作用：类似于map，但独立地在RDD的每一个分片上运行，
  //因此在类型为T的RDD上运行时，func的函数类型必须是Iterator[T] => Iterator[U]。
  //假设有N个元素，有M个分区，那么map的函数的将被调用N次,
  //而mapPartitions被调用M次,一个函数一次处理所有分区;
  
  //需求：创建一个RDD，使每个元素*2组成新的RDD:
  val rdd = sc.parallelize(Array(1,2,3,4))
  val rdd2=rdd.mapPartitions(x=>x.map(_*2))
  rdd2.collect()
  //Array[Int] = Array(2, 4, 6, 8)

  • mapPartitionsWithIndex(func)

  //作用：类似于mapPartitions，但func带有一个整数参数表示分片的索引值，
  //因此在类型为T的RDD上运行时，func的函数类型必须是(Int, Interator[T]) => Iterator[U]
  
  //需求：创建一个RDD，使每个元素跟所在分区形成一个元组组成一个新的RDD
  val rdd = sc.parallelize(Array(1,2,3,4))
  val indexRdd = rdd.mapPartitionsWithIndex((index,items)=>(items.map((index,_))))
  indexRdd.collect() 
  //Array[(Int, Int)] = Array((0,1), (0,2), (1,3), (1,4))

  • flatMap(func)

  //作用：类似于map，但是每一个输入元素可以被映射为0或多个输出元素
  //（所以func应该返回一个序列，而不是单一元素）
  
  //示例：
  val sourceFlat = sc.parallelize(1 to 5)
  val flatMap = sourceFlat.flatMap(1 to _)//（1->1,2->1,2……5->1,2,3,4,5）
  flatMap.collect()
  //Array[Int] = Array(1, 1, 2, 1, 2, 3, 1, 2, 3, 4, 1, 2, 3, 4, 5)
  

  • map()和mapPartition()的区别:
    map()：每次处理一条数据;
    mapPartition()：每次处理一个分区的数据，这个分区的数据处理完后，原RDD中分区的数据才能释放，可能导致OOM;
  • glom

  //作用：将每一个分区形成一个数组，形成新的RDD类型时RDD[Array[T]]
  
  //案例:创建一个4个分区的RDD，并将每个分区的数据放到一个数组
  val rdd = sc.parallelize(1 to 16,4)
  rdd.glom().collect()
  // Array[Array[Int]] = Array(Array(1, 2, 3, 4), Array(5, 6, 7, 8), Array(9, 10, 11, 12), Array(13, 14, 15, 16))
  

  • groupBy(func)

  //作用：分组，按照传入函数的返回值进行分组。将相同的key对应的值放入一个迭代器
  
  //案例：创建一个RDD，按照元素模以2的值进行分组
  val rdd = sc.parallelize(1 to 4)
  rdd.groupBy(_%2).collect()
   // Array[(Int, Iterable[Int])] = Array((0,CompactBuffer(2, 4)), (1,CompactBuffer(1, 3)))

  • filter(func)

  //作用：过滤。返回一个新的RDD，该RDD由经过func函数计算后返回值为true的输入元素组成
  
  //案例：创建一个RDD（由字符串组成），过滤出一个新RDD（包含”xiao”子串）
  val sourceFilter = sc.parallelize(Array("xiaoming","xiaojiang","xiaohe","dazhi"))

  • sample(withReplacement,fraction, seed)

  //作用：以指定的随机种子随机抽样出数量为fraction的数据，
  //withReplacement表示是抽出的数据是否放回，true为有放回的抽样，false为无放回的抽样，
  //seed用于指定随机数生成器种子。
  
  //案例：创建一个RDD（1-10），从中选择放回和不放回抽样
  val rdd = sc.parallelize(1 to 10)
  rdd.sample(true,0.4,3).collect()//Array[Int] = Array(1, 7, 8, 9, 9, 9)
  rdd.sample(false,0.4,3).collect()//Array[Int] = Array(1, 7, 8)	 

  • coalesce(numPartitions)

  //作用：缩减分区数，用于大数据集过滤后，提高小数据集的执行效率
  
  //案例：创建一个4个分区的RDD，对其缩减分区
  val rdd = sc.parallelize(1 to 16,4)
  rdd.partitions.size //Int = 4
  rdd.coalesce(3).partitions.size//Int = 3

  • distinct([numTasks]))

  //作用：对源RDD进行去重后返回一个新的RDD。
  //默认情况下，只有8个并行任务来操作，但是可以传入一个可选的numTasks参数改变它
  
  //案例：创建一个RDD，使用distinct()对其去重
   val distinctRdd = sc.parallelize(List(1,2,1,5,2,9,6,1))
  distinctRdd.distinct().collect()
  //Array[Int] = Array(6, 2, 1, 9, 5)
  distinctRdd.distinct(3).collect()
  //Array[Int] = Array(6, 9, 1, 5, 2)

  • repartition(numPartitions)

  //作用：根据分区数，重新通过网络随机洗牌所有数据
  
  //案例：创建一个4个分区的RDD，对其重新分区
  val rdd = sc.parallelize(1 to 16,4)
  rdd.partitions.size//Int = 4
  rdd.repartition(2).partitions.size// Int = 2

  • coalesce和repartition的区别

    • coalesce重新分区，可以选择是否进行shuffle过程。由参数shuffle: Boolean = false/true 决定;
    • repartition实际上是调用的coalesce，默认是进行shuffle的

  • sortBy(func,[ascending],[numTasks])

  //作用：使用func先对数据进行处理，按照处理后的数据比较结果排序，默认为正序
  
  //案例：创建一个RDD，按照不同的规则进行排序
  val rdd = sc.parallelize(List(2,1,3,4))
  rdd.sortBy(x=>x).collect()//Array[Int] = Array(1, 2, 3, 4)
  rdd.sortBy(x=>x%3).collect()//Array[Int] = Array(3, 1, 4, 2)

• Key-Value类型：

  • union(otherDataset)

  //作用：对源RDD和参数RDD求并集后返回一个新的RDD
  
  //示例：创建两个RDD，求并集
  val rdd1 = sc.parallelize(1 to 5)
  val rdd2 = sc.parallelize(3 to 7)
  rdd1.union(rdd2).collect()
  //Array[Int] = Array(1, 2, 3, 4, 5, 3, 4, 5, 6, 7)

  • subtract(otherDataset)

  //作用：计算差的一种函数，去除两个RDD中相同的元素，不同的RDD将保留下来
  
  //示例：创建两个RDD，求第一个RDD与第二个RDD的差集
  val rdd1 = sc.parallelize(1 to 5)
  val rdd2 = sc.parallelize(3 to 7)
  rdd1.subtract(rdd2).collect()
  //Array[Int] = Array(2, 1)

  • intersection(otherDataset)

  //作用：对源RDD和参数RDD求交集后返回一个新的RDD
  
  //示例：创建两个RDD，求两个RDD的交集
   val rdd1 = sc.parallelize(1 to 5)
   val rdd2 = sc.parallelize(3 to 7)
   rdd1.intersection(rdd2).collect()
   //Array[Int] = Array(4, 3, 5)
   
   

  • cartesian(otherDataset)

  //作用：笛卡尔积（尽量避免使用）
  
  //示例：创建两个RDD，计算两个RDD的笛卡尔积
  val rdd1 = sc.parallelize(1 to 3)
  val rdd2 = sc.parallelize(2 to 3)
  rdd1.intersection(rdd2).collect()
  // Array[(Int, Int)] = Array((1,2), (1,3), (2,2), (3,2), (2,3), (3,3))

  • zip(otherDataset)

  //作用：将两个RDD组合成Key/Value形式的RDD,
  //这里默认两个RDD的partition数量以及元素数量都相同,否则会抛出异常
  
  //示例：
  val rdd1 = sc.parallelize(Array(1,2,3),3)
  val rdd2 = sc.parallelize(Array("a","b","c"),3)
  rdd1.zip(rdd2).collect
  //Array[(Int, String)] = Array((1,a), (2,b), (3,c))