spark RDD transformation与action函数整理
1.创建RDD val lines = sc.parallelize(List("pandas","i like pandas")) 2.加载本地文件到RDD val linesRDD = sc.textFile("yangsy.txt") 3.过滤 filter 需要注意的是 filter并不会在原有RDD上过滤，而是根据filter的内容重新创建了一个RDD val spark = linesRDD.filter(line => line.contains("damowang")) 4.count() 也是aciton操作 由于spark为懒加载 之前的语句不管对错其实都没执行 只有到调用action 如count() first() foreach()等操作的时候 才会真正去执行 spark.count() 5.foreach(println) 输出查看数据 (使用take可获取少量数据,如果工程项目中为DataFrame,可以调用show(1)) 这里提到一个东西，就是调用collect()函数 这个函数会将所有数据加载到driver端，一般数据量巨大的时候还是不要调用collect函数()否则会撑爆dirver服务器 虽然我们项目中暂时的确是用collect()把4000多万数据加载到dirver上了- =） spark.take(1).foreach(println) 6.常见的转化操作和行动操作 常见的转化操作如map()和filter() 比如计算RDD中各值的平方: val input = sc.parallelize(List(1,2,3,4)) val result = input.map(x => x*x) println(result.collect().mkString(",")) 7.flatMap() 与map类似，不过返回的是一个返回值序列的迭代器。得到的是一个包含各种迭代器可访问的所有元素的RDD。简单的用途比如把一个字符串切分成单词 val lines = sc.parallelize(List("xiaojingjing is my love","damowang","kings_landing")) val words = lines.flatMap(line => line.split(",")) //调用first()返回第一个值 words.first() 归类总结RDD的transformation操作: 对一个数据集(1,2,3,3)的RDD进行基本的RDD转化操作 map: 将函数应用于RDD中的每个元素，将返回值构成一个新的RDD eg: rdd.map(x => x+1) result: {2,3,4,4) flatmap:将函数应用于RDD中的每个元素，将返回的迭代器的所有内容构成新的RDD，通常用来拆分 eg:rdd.flatMap(x => x.split(",")) .take(1).foreach(println) result: 1 flter:返回一个由通过传给filter的函数的元素组成的RDD eg:rdd.filter(x => x != 1) result: {2,3,3} distinct：用来去重 eg:rdd.distinct() {1,2,3} 对数据分别为{1,2,3}和{3,4,5}的RDD进行针对两个RDD的转换操作 union: 生成一个包含所有两个RDD中所有元素的RDD eg: rdd.union(other) result:{1,2,3,3,4,5} intersection:求两个元素中的共同的元素 eg:rdd.intersection(ohter) result:{3} substract() 移除RDD中的内容 eg:rdd.substract(other) result:{1,2} cartesian() 与另一个RDD的笛卡尔积 eg:rdd.cartesian(other) result:{(1,3),(1,4),(1,5)....(3,5)} 以上皆为transformation操作，下来action操作 9.reduce 并行整合RDD中所有数据 val lines1 = sc.parallelize(List(1,2,3,3)) lines1.reduce((x,y) => x + y) 10.reducebykey 最简单的就是实现wordcount的 统计出现的数目,原理在于map函数将rdd转化为一个二元组，再通过reduceByKey进行元祖的归约。 val linesRDD = sc.textFile("yangsy.txt")val count = linesRDD.flatMap(line => line.split(" ")).map(word => (word,1)).reduceByKey(_+_).collect() 11.aggregate函数 与reduce相似，不过返回的是不同类型的函数 val result = input.aggregate((0,0))(acc.value) => (acc._1+value,acc._2+1),(acc1,acc2) =>(acc1._1 + acc2._1 , acc1._2 + acc2._2)) 还有很多比如count(),take(num)等就不一一练习了 12.collect函数还有foreach函数 其实刚才已经用到了，这里也不多说了~ 归纳总结RDD的action操作： 对一个数据为{1,2,3,3}的RDD的操作 collect: 返回RDD中的所有元素 rdd.collect() count: RDD中的元素的个数 countByValue: 返回各元素在RDD中出现的次数 : eg:rdd.countByValue() [(1,1),(2,1),(3,2)....] take(num): 从RDD中返回num个元素 top(num) : 从RDD中返回最前面的num个元素 takeSample(withReplacement,num,[seed]) : 从RDD中返回任意一些元素 eg: rdd.takeSample(false,1) reduce(func): 并行整合RDD中所有的数据 rdd.reduce(x,y) => x + y) foreach(func):对RDD中的每个元素使用给定的函数 在调用persist()函数将数据缓存如内存 想删除的话可以调用unpersist()函数 Pari RDD的转化操作 由于Pair RDD中包含二元组，所以需要传递的函数应当操作二元组而不是独立的元素 12.reduceByKey(fuc) 其实刚才wordcount应经用过 就是将相同的key的value进行合并 val lines1 = sc.parallelize(List((1,2),(3,4),(3,6)))val lines = lines1.reduceByKey((x,y) => x + y)lines.take(2).foreach(println) 13.groupByKey 将相同键的值进行分组 val lines1 = sc.parallelize(List((1,2),(3,4),(3,6))) lines1.groupByKey() lines.take(3).foreach(println) 14.mapValues 对pair RDD中的每个值应用一个函数而不改变键 val lines1 = sc.parallelize(List((1,2),(3,4),(3,6))) val lines = lines1.mapValues(x => x+1) lines.take(3).foreach(println) 15.sortByKey 返回一个根据键排序的RDD val lines1 = sc.parallelize(List((1,2),(4,3),(3,6))) val lines = lines1.sortByKey() lines.take(3).foreach(println) 针对两个不同的pair RDD的转化操作 16.subtractByKey 删掉RDD中键与其他RDD中的键相同的元素 val lines1 = sc.parallelize(List((1,2),(4,3),(3,6))) val lines2 = sc.parallelize(List((1,3),(5,3),(7,6))) val lines = lines1.subtractByKey(lines2) lines.take(3).foreach(println) 17.join 对两个RDD具有相同键的进行合并 val lines1 = sc.parallelize(List((1,2),(4,3),(3,6))) val lines2 = sc.parallelize(List((1,3),(5,3),(7,6))) val lines = lines1.join(lines2) lines.take(3).foreach(println) 18.rightOuterJoin 对两个RDD进行连接操作，确保第一个RDD的键必须存在 相反的为leftOuterJoin val lines1 = sc.parallelize(List((1,2),(4,3),(3,6))) val lines2 = sc.parallelize(List((1,3),(5,3),(7,6))) val lines = lines1.rightOuterJoin(lines2) lines.take(3).foreach(println) 19.cogroup 将两个RDD中拥有相同键的数据分组 val lines1 = sc.parallelize(List((1,2),(4,3),(3,6))) val lines2 = sc.parallelize(List((1,3),(5,3),(7,6))) val lines = lines1.cogroup(lines2) lines.take(3).foreach(println) 20. 用Scala对第二个元素进行筛选 val lines1 = sc.parallelize(List((1,2),(4,3),(3,6))) val result = lines1.filter{case(key,value) => value < 3} result.take(3).foreach(println) 聚合操作 21.在scala中使用reduceByKey()和mapValues()计算每个值对应的平均值 这个过程是这样的 首先通过mapValues函数，将value转化为了(2,1),(3,1),(6,1),(4,1) 然后通过reduceByKey合并相同键的结果 (其实就是mapreduce) val lines1 = sc.parallelize(List(("panda",2),("pink",3),("panda",6),("pirate",4))) val lines = lines1.mapValues(x =>(x,1)).reduceByKey((x,y) => (x._1 + y._1 , x._2 + y._2))lines.take(3).foreach(println) 22.countByValue 其实原理跟reduceByKey一样 另一半wordCount val linesRDD = sc.textFile("yangsy.txt") val count = linesRDD.flatMap(line => line.split(" ")).countByValue() 22.并行度问题 在执行聚合操作或者分组操作的时候，可以要求Spark使用给定的分区数，Spark始终尝试根据集群的大小推出一个有意义的默认值，但是有时候可能要对并行度进行调优来获取更好的性能。 （重要)比如wordcount，多加一个参数代表需要执行的partition的size val linesRDD = sc.textFile("yangsy.txt") val count = linesRDD.flatMap(line => line.split(" ")).map(word => (word,1)).reduceByKey(_+_,10) 读取HDFS中csv文件 import java.io.StringReader import au.com.bytecode.opencsv.CSVReader val input = sc.textFile("test.csv") val result = input.map{line => val reader = new CSVReader(new StringReader(line)); reader.readNext()} result.collect()
