[Spark]Spark RDD 指南四 RDD操作

Spark2.3.0版本: Spark2.3.0 RDD操作

RDD支持两种类型的操作：

转移(transformations):从现有数据集创建一个新数据集 动作(actions):在数据集上进行计算后将值返回给驱动程序

例如，map是一个转移操作，传递给每个数据集元素一个函数并返回一个新RDD表示返回结果。 另一方面，reduce是一个动作操作，使用一些函数聚合RDD的所有元素并将最终结果返回给驱动程序（尽管还有一个并行的reduceByKey返回分布式数据集）。

在 Spark 中，所有的转换操作(transformations)都是惰性(lazy)的，它们不会马上计算它们的结果。相反的，它们仅仅记录转换操作是应用到哪些基础数据集(例如一个文件)上的(remember the transformations applied to some base dataset )。只有当动作(action)操作 需要返回一个结果给驱动程序的时候， 转换操作才开始计算。 这个设计能够让 Spark 运行得更加高效。例如，我们可以知道：通过 map 创建的新数据集将在 reduce 中使用，并且仅仅返回 reduce 的结果给驱动程序，而不是将整个大的映射过的数据集返回。

1. 基础

为了说明RDD基础知识，请考虑以下简单程序：

JavaRDD<String> lines = sc.textFile("data.txt"); JavaRDD<Integer> lineLengths = lines.map(s -> s.length()); int totalLength = lineLengths.reduce((a, b) -> a + b);

第一行定义了一个来自外部文件的基本RDD。 这个数据集并未加载到内存中或做其他处理：lines 仅仅是一个指向文件的指针。 第二行将lineLength定义为map转换函数的结果。 其次，由于转换函数的惰性(lazy)，lineLengths不会立即计算。 最后，我们运行reduce，这是一个动作函数。 此时，Spark 把计算分成多个任务(task)，并且让它们运行在多台机器上。每台机器都运行自己的 map 和本地 reduce。然后仅仅将结果返回给驱动程序。

如果稍后还会再次使用lineLength，我们可以在运行reduce之前添加：

lineLengths.persist(StorageLevel.MEMORY_ONLY());

这将导致lineLength在第一次计算之后被保存在内存中。

2. 传递函数给Spark

Spark的API很大程度上依赖于驱动程序中传递过来的函数在集群上运行。 在Java中，函数由org.apache.spark.api.java.function接口实现。 创建这样的功能有两种方法：

(1)在类中实现Function接口，作为匿名内部类或命名的内部类，并将其实例传递给Spark。 (2)在Java 8中，使用lambda表达式来简洁地定义一个实现。

匿名内部类

JavaRDD<String> lines = sc.textFile("data.txt"); JavaRDD<Integer> lineLengths = lines.map(new Function<String, Integer>() { public Integer call(String s) { return s.length(); } }); int totalLength = lineLengths.reduce(new Function2<Integer, Integer, Integer>() { public Integer call(Integer a, Integer b) { return a + b; } });

或者命名内部类

class GetLength implements Function<String, Integer> { public Integer call(String s) { return s.length(); } } class Sum implements Function2<Integer, Integer, Integer> { public Integer call(Integer a, Integer b) { return a + b; } } JavaRDD<String> lines = sc.textFile("data.txt"); JavaRDD<Integer> lineLengths = lines.map(new GetLength()); int totalLength = lineLengths.reduce(new Sum());

下表中列出一些基本的函数接口：

函数名	实现的方法	用途
Function<T,R>	R call(T)	接收一个输入值并返回一个输出值，用于类似map()和filter()等操作中
Function2<T1,T2,R>	R call(T1,T2)	接收两个输入值并返回一个输出值，用于类似aggregate()和fold()等操作中
FlatMapFunction<T,R>	Iterable<R> call(T)	接收一个输入值并返回任意个输出，用于类似flatMap()这样的操作中

3. 使用键值对

虽然大多数Spark操作适用于包含任何类型对象的RDD上，但是几个特殊操作只能在键值对的RDD上使用。 最常见的是分布式“shuffle”操作，例如按键分组或聚合元素。

在Java中，使用Scala标准库中的scala.Tuple2类来表示键值对。 可以如下简单地调用：

new Tuple2（a，b）

来创建一个元组，然后用tuple._1（）和tuple._2（）访问它的字段。

键值对的RDD由JavaPairRDD类表示。 您可以使用特殊版本的map操作（如mapToPair和flatMapToPair）从JavaRDD来构建JavaPairRDD。 JavaPairRDD将具有标准的RDD的函数以及特殊的键值对函数。

例如，以下代码在键值对上使用reduceByKey操作来计算每行文本在文件中的出现次数：

JavaRDD<String> lines = sc.textFile("data.txt"); JavaPairRDD<String, Integer> pairs = lines.mapToPair(s -> new Tuple2(s, 1)); JavaPairRDD<String, Integer> counts = pairs.reduceByKey((a, b) -> a + b);

例如，我们也可以使用counts.sortByKey（）来按字母顺序来对键值对排序，最后将counts.collect（）作为对象数组返回到驱动程序。

注意：当使用一个自定义对象作为 key 在使用键值对操作的时候，你需要确保自定义 equals() 方法和 hashCode() 方法是匹配的。更加详细的内容，查看 Object.hashCode() 文档)中的契约概述。

4. 转换操作(Transformations)

下面列出了Spark支持的一些常见转换函数。 有关详细信息，请参阅RDD API文档（Scala，Java，Python，R）和RDD函数doc（Scala，Java）。

4.1 map(func) 映射

将函数应用于RDD中的每个元素，将返回值构成新的RDD。

List<String> aList = Lists.newArrayList("a", "B", "c", "b"); JavaRDD<String> rdd = sc.parallelize(aList); // 小写转大写 JavaRDD<String> upperLinesRDD = rdd.map(new Function<String, String>() { @Override public String call(String str) throws Exception { if (StringUtils.isBlank(str)) { return str; } return str.toUpperCase(); } }); // A B C B

4.2 filter(func) 过滤

返回通过选择func返回true的元素形成的新RDD。

List<String> list = Lists.newArrayList("a", "B", "c", "b"); JavaRDD<String> rdd = sc.parallelize(list); // 只返回以a开头的字符串 JavaRDD<String> filterRDD = rdd.filter(new Function<String, Boolean>() { @Override public Boolean call(String str) throws Exception { return !str.startsWith("a"); } }); // B c b

4.3 flatMap(func) 一行转多行

类似于map函数，但是每个输入项可以映射为0个输出项或更多输出项（所以func应该返回一个序列而不是一个条目）。

List<String> list = Lists.newArrayList("a 1", "B 2"); JavaRDD<String> rdd = sc.parallelize(list); // 一行转多行 以空格分割 JavaRDD<String> resultRDD = rdd.flatMap(new FlatMapFunction<String, String>() { @Override public Iterator<String> call(String s) throws Exception { if (StringUtils.isBlank(s)) { return null; } String[] array = s.split(" "); return Arrays.asList(array).iterator(); } }); // a // 1 // B // 2

4.4 distinct([numTasks]))

去重

List<String> aList = Lists.newArrayList("1", "3", "2", "3"); JavaRDD<String> aRDD = sc.parallelize(aList); // 去重 JavaRDD<String> rdd = aRDD.distinct(); // 1 2 3

4.5 union(otherDataset) 并集

生成一个包含两个RDD中所有元素的RDD. 如果输入的RDD中有重复数据，union()操作也会包含这些重复的数据．

List<String> aList = Lists.newArrayList("1", "2", "3"); List<String> bList = Lists.newArrayList("3", "4", "5"); JavaRDD<String> aRDD = sc.parallelize(aList); JavaRDD<String> bRDD = sc.parallelize(bList); // 并集 JavaRDD<String> rdd = aRDD.union(bRDD); // 1 2 3 3 4 5

4.6 intersection(otherDataset) 交集

求两个RDD共同的元素的RDD. intersection()在运行时也会去掉所有重复的元素，尽管intersection()与union()的概念相似，但性能却差的很多，因为它需要通过网络混洗数据来发现共同的元素．

List<String> aList = Lists.newArrayList("1", "2", "3"); List<String> bList = Lists.newArrayList("3", "4", "5"); JavaRDD<String> aRDD = sc.parallelize(aList); JavaRDD<String> bRDD = sc.parallelize(bList); // 交集 JavaRDD<String> rdd = aRDD.intersection(bRDD); // 3

4.7 subtract(otherDataset) 差集

subtract接受另一个RDD作为参数，返回一个由只存在第一个RDD中而不存在第二个RDD中的所有元素组成的RDD

List<String> aList = Lists.newArrayList("1", "2", "3"); List<String> bList = Lists.newArrayList("3", "4", "5"); JavaRDD<String> aRDD = sc.parallelize(aList); JavaRDD<String> bRDD = sc.parallelize(bList); // 差集 JavaRDD<String> rdd = aRDD.subtract(bRDD); // 1 2

4.8 groupByKey 分组

根据键值对的key进行分组．对（K，V）键值对的数据集进行调用时，返回（K，Iterable <V>）键值对的数据集。

注意

如果分组是为了在每个key上执行聚合（如求总和或平均值），则使用reduceByKey或aggregateByKey会有更好的性能。

默认情况下，输出中的并行级别取决于父RDD的分区数。 可以设置可选参数numTasks来设置任务数量（By default, the level of parallelism in the output depends on the number of partitions of the parent RDD. You can pass an optional numTasks argument to set a different number of tasks.）。

Tuple2<String, Integer> t1 = new Tuple2<String, Integer>("Banana", 10); Tuple2<String, Integer> t2 = new Tuple2<String, Integer>("Pear", 5); Tuple2<String, Integer> t3 = new Tuple2<String, Integer>("Banana", 9); Tuple2<String, Integer> t4 = new Tuple2<String, Integer>("Apple", 4); List<Tuple2<String, Integer>> list = Lists.newArrayList(); list.add(t1); list.add(t2); list.add(t3); list.add(t4); JavaPairRDD<String, Integer> rdd = sc.parallelizePairs(list); // 分组 JavaPairRDD<String, Iterable<Integer>> groupRDD = rdd.groupByKey(); // Apple --- 4 // Pear --- 5 // Banana --- 10 9

4.9 reduceByKey(func, [numTasks]) 分组聚合

当在（K，V）键值对的数据集上调用时，返回（K，V）键值对的数据集，其中使用给定的reduce函数func聚合每个键的值，该函数类型必须是（V，V）=> V。

类似于groupByKey，可以通过设置可选的第二个参数来配置reduce任务的数量。

Tuple2<String, Integer> t1 = new Tuple2<String, Integer>("Banana", 10); Tuple2<String, Integer> t2 = new Tuple2<String, Integer>("Pear", 5); Tuple2<String, Integer> t3 = new Tuple2<String, Integer>("Banana", 9); Tuple2<String, Integer> t4 = new Tuple2<String, Integer>("Apple", 4); List<Tuple2<String, Integer>> list = Lists.newArrayList(); list.add(t1); list.add(t2); list.add(t3); list.add(t4); JavaPairRDD<String, Integer> rdd = sc.parallelizePairs(list); // 分组计算 JavaPairRDD<String, Integer> reduceRDD = rdd.reduceByKey(new Function2<Integer, Integer, Integer>() { @Override public Integer call(Integer v1, Integer v2) throws Exception { return v1 + v2; } }); // Apple --- 4 // Pear --- 5 // Banana --- 19

5. 动作操作 (Action)

下面列出了Spark支持的一些常见操作。

5.1 reduce

接收一个函数作为参数，这个函数要操作两个相同元素类型的RDD并返回一个同样类型的新元素．

List<String> aList = Lists.newArrayList("aa", "bb", "cc", "dd"); JavaRDD<String> rdd = sc.parallelize(aList); String result = rdd.reduce(new Function2<String, String, String>() { @Override public String call(String v1, String v2) throws Exception { return v1 + "#" + v2; } }); System.out.println(result); // aa#bb#cc#dd

5.2 collect

将整个RDD的内容返回．

List<String> list = Lists.newArrayList("aa", "bb", "cc", "dd"); JavaRDD<String> rdd = sc.parallelize(list); List<String> collect = rdd.collect(); System.out.println(collect); // [aa, bb, cc, dd]

5.3 take(n)

返回RDD中的n个元素，并且尝试只访问尽量少的分区，因此该操作会得到一个不均衡的集合．需要注意的是，这些操作返回元素的顺序与你的预期可能不一样．

List<String> list = Lists.newArrayList("aa", "bb", "cc", "dd"); JavaRDD<String> rdd = sc.parallelize(list); List<String> collect = rdd.take(3); System.out.println(collect); // [aa, bb, cc]

5.5 takeSample

有时需要在驱动器程序中对我们的数据进行采样，takeSample(withReplacement, num, seed)函数可以让我们从数据中获取一个采样，并指定是否替换．

版本

2.1.1

原文：http://spark.apache.org/docs/latest/programming-guide.html#rdd-operations