RDD转换算子
RDD 根据数据处理方式的不同将算子整体上分为Value 类型、双Value 类型和Key-Value类型。
Value 类型
1. map
函数定义
def map[U: ClassTag](f: T => U): RDD[U]
说明
将处理的数据逐条进行映射转换，这里的转换可以是类型的转换，也可以是值的转换。
案例实操
package com.atguigu.bigdata.spark.core.rdd.operator.transform
import org.apache.spark.rdd.RDD
import org.apache.spark.{
SparkConf, SparkContext}
object Spark01_RDD_Operator_Transform {
def main(args: Array[String]): Unit = {
//TODO 准备环境
val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
val sc = new SparkContext(sparkConf)
//TODO 算子-map
val rdd =sc.makeRDD(List(1,2,3,4))
//1，2，3，4转换为2，4，6，8
//转换函数
// def mapFunction(num: Int): Int = {
//
// num * 2
// }
// val mapRDD: RDD[Int] = rdd.map(mapFunction)
//使用匿名函数
// val mapRDD: RDD[Int] = rdd.map((num: Int) => {num * 2})
val mapRDD: RDD[Int] = rdd.map(_ * 2)
mapRDD.collect().foreach(println)
//TODO 关闭环境
sc.stop()
}
}
2. mapPartitions
函数定义
def mapPartitions[U: ClassTag](
f: Iterator[T] => Iterator[U],
preservesPartitioning: Boolean = false): RDD[U]
说明
将待处理的数据以分区为单位发送到计算节点进行处理，这里的处理是指可以进行任意的处
理，哪怕是过滤数据。
案例实操
package com.atguigu.bigdata.spark.core.rdd.operator.transform
import org.apache.spark.rdd.RDD
import org.apache.spark.{
SparkConf, SparkContext}
object Spark01_RDD_Operator_Transform_Part {
def main(args: Array[String]): Unit = {
//TODO 准备环境
val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
val sc = new SparkContext(sparkConf)
//TODO 算子-map
val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4), 2)
//【1，2】【3，4】
rdd.saveAsTextFile("output")
val mapRDD = rdd.map(_ * 2 )
//转换后【2，4】【6，8】
mapRDD.saveAsTextFile("output1")
//TODO 关闭环境
sc.stop()
}
}
map 和mapPartitions 的区别
（1）数据处理角度
Map 算子是分区内一个数据一个数据的执行，类似于串行操作。而 mapPartitions 算子是以分区为单位进行批处理操作。
（2）功能的角度
Map 算子主要目的将数据源中的数据进行转换和改变。但是不会减少或增多数据。
MapPartitions 算子需要传递一个迭代器，返回一个迭代器，没有要求的元素的个数保持不变，所以可以增加或减少数据
（3）性能的角度
Map 算子因为类似于串行操作，所以性能比较低，而是 mapPartitions 算子类似于批处理，所以性能较高。但是mapPartitions 算子会长时间占用内存，那么这样会导致内存可能不够用，出现内存溢出的错误。所以在内存有限的情况下，不推荐使用。使用 map 操作。
3. mapPartitionsWithIndex
函数定义
def mapPartitionsWithIndex[U: ClassTag](
f: (Int, Iterator[T]) => Iterator[U],
preservesPartitioning: Boolean = false): RDD[U]
说明
将待处理的数据以分区为单位发送到计算节点进行处理，这里的处理是指可以进行任意的处
理，哪怕是过滤数据，在处理时同时可以获取当前分区索引。
案例实操
package com.atguigu.bigdata.spark.core.rdd.operator.transform
import org.apache.spark.{
SparkConf, SparkContext}
object Spark03_RDD_Operator_Transform {
def main(args: Array[String]): Unit = {
//TODO 准备环境
val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
val sc = new SparkContext(sparkConf)
//TODO 算子
//只输出3，4
val rdd = sc.makeRDD(List(1,2,3,4),2)
val mapRDD = rdd.mapPartitionsWithIndex(
(index, iter) => {
if (index == 1) {
iter
} else {
Nil.iterator
}
}
)
mapRDD.collect().foreach(println)
//TODO 关闭环境
sc.stop()
}
}
4. flatMap
函数定义
def flatMap[U: ClassTag](f: T => TraversableOnce[U]): RDD[U]
说明
将处理的数据进行扁平化后再进行映射处理，所以算子也称之为扁平映射 。
案例实操
package com.atguigu.bigdata.spark.core.rdd.operator.transform
import org.apache.spark.rdd.RDD
import org.apache.spark.{
SparkConf, SparkContext}
object Spark04_RDD_Operator_Transform {
def main(args: Array[String]): Unit = {
//TODO 准备环境
val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
val sc = new SparkContext(sparkConf)
//TODO 算子
//输出每个数字
val rdd = sc.makeRDD(List(List(1,2),List(3,4)))
val flatRDD: RDD[Int] = rdd.flatMap(
list => {
list
}
)
flatRDD.collect().foreach(println)
//TODO 关闭环境
sc.stop()
}
}
5. glom
函数定义
def glom(): RDD[Array[T]]
说明
将同一个分区的数据直接转换为相同类型的内存数组进行处理，分区不变
案例实操
package com.atguigu.bigdata.spark.core.rdd.operator.transform
import org.apache.spark.rdd.RDD
import org.apache.spark.{
SparkConf, SparkContext}
object Spark05_RDD_Operator_Transform {
def main(args: Array[String]): Unit = {
//TODO 准备环境
val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
val sc = new SparkContext(sparkConf)
//TODO 算子
val rdd = sc.makeRDD(List(1,2,3,4),2)
//List => Int
//Int => Any
val glomRDD: RDD[Array[Int]] = rdd.glom()
glomRDD.collect().foreach(data => println(data.mkString(",")))
//TODO 关闭环境
sc.stop()
}
}
6. groupBy
函数定义
def groupBy[K](f: T => K)(implicit kt: ClassTag[K]): RDD[(K, Iterable[T])]
说明
将数据根据指定的规则进行分组, 分区默认不变，但是数据会被打乱重新组合，我们将这样
的操作称之为shuffle。极限情况下，数据可能被分在同一个分区中。
一个组的数据在一个分区中，但是并不是说一个分区中只有一个组
案例实操
package com.atguigu.bigdata.spark.core.rdd.operator.transform
import org.apache.spark.rdd.RDD
import org.apache.spark.{
SparkConf, SparkContext}
object Spark06_RDD_Operator_Transform {
def main(args: Array[String]): Unit = {
//TODO 准备环境
val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
val sc = new SparkContext(sparkConf)
//TODO 算子 -groupBy
val rdd = sc.makeRDD(List(1,2,3,4),2)
//groupBy会将数据源中的每一个数据进行分组判断，根据返回的分组key进行分组
//相同的key值的数组会放到一个组中
def groupByFunction(num :Int) : Int ={
num % 2
}
val groupRDD: RDD[(Int, Iterable[Int])] = rdd.groupBy(groupByFunction)
groupRDD.collect().foreach(println)
//TODO 关闭环境
sc.stop()
}
}
7. filter
函数定义
def filter(f: T => Boolean): RDD[T]
说明
将数据根据指定的规则进行筛选过滤，符合规则的数据保留，不符合规则的数据丢弃。 当数据进行筛选过滤后，分区不变，但是分区内的数据可能不均衡，生产环境下，可能会出
现数据倾斜。
案例实操
package com.atguigu.bigdata.spark.core.rdd.operator.transform
import org.apache.spark.rdd.RDD
import org.apache.spark.{
SparkConf, SparkContext}
object Spark07_RDD_Operator_Transform {
def main(args: Array[String]): Unit = {
//TODO 准备环境
val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
val sc = new SparkContext(sparkConf)
//TODO 算子 -filter
//筛选奇数
val rdd = sc.makeRDD(List(1,2,3,4))
val filterRDD: RDD[Int] = rdd.filter(_ % 2 != 0)
filterRDD.collect().foreach(println)
//TODO 关闭环境
sc.stop()
}
}
8. sample
函数定义
def sample(
withReplacement: Boolean,
fraction: Double,
seed: Long = Utils.random.nextLong): RDD[T]
说明
根据指定的规则从数据集中抽取数据
案例实操
package com.atguigu.bigdata.spark.core.rdd.operator.transform
import org.apache.spark.{
SparkConf, SparkContext}
object Spark08_RDD_Operator_Transform {
def main(args: Array[String]): Unit = {
//TODO 准备环境
val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
val sc = new SparkContext(sparkConf)
//TODO 算子 -sample
val rdd = sc.makeRDD(List(1,2,3,4,5,6,7,8,9,10))
//sample算子需要传递三个参数
//1. 第一个参数表示，抽数数据后是否将数据返回true（放回），false（丢弃）
//2. 第二个参数表示，
// 抽取不放回的场合：数据源中每条数据被抽取的概率
// 基准值的概念
//抽取放回的场合：数据
//3.第三个参数表示，抽取数据时随机算法的种子
// 如果不使用第三个参数，那么使用的当前的系统时间
// val sampleRDD: String = rdd.sample(
// false,
// 0.4,
2
// ).collect().mkString(",")
val sampleRDD: String = rdd.sample(
true,
0.5,
// 2
).collect().mkString(",")
println(sampleRDD)
//TODO 关闭环境
sc.stop()
}
}
9. distinct
函数定义
def distinct()(implicit ord: Ordering[T] = null): RDD[T]
def distinct(numPartitions: Int)(implicit ord: Ordering[T] = null): RDD[T]
说明
将数据集中重复的数据去重
案例实操
package com.atguigu.bigdata.spark.core.rdd.operator.transform
import org.apache.spark.rdd.RDD
import org.apache.spark.{
SparkConf, SparkContext}
object Spark09_RDD_Operator_Transform {
def main(args: Array[String]): Unit = {
//TODO 准备环境
val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
val sc = new SparkContext(sparkConf)
//TODO 算子 -distinct
//map(x => (x, null)).reduceByKey((x, _) => x, numPartitions).map(_._1)
val rdd = sc.makeRDD(List(1,2,3,4,1,2,3,4))
val rdd1: RDD[Int] = rdd.distinct()
rdd1.collect().foreach(println)
//TODO 关闭环境
sc.stop()
}
}
10. coalesce
函数定义
def coalesce(numPartitions: Int, shuffle: Boolean = false,
partitionCoalescer: Option[PartitionCoalescer] = Option.empty)
(implicit ord: Ordering[T] = null)
: RDD[T]
说明
根据数据量缩减分区，用于大数据集过滤后，提高小数据集的执行效率 。
当spark 程序中，存在过多的小任务的时候，可以通过 coalesce 方法，收缩合并分区，减少
分区的个数，减小任务调度成本 。
案例实操
package com.atguigu.bigdata.spark.core.rdd.operator.transform
import org.apache.spark.rdd.RDD
import org.apache.spark.{
SparkConf, SparkContext}
object Spark10_RDD_Operator_Transform {
def main(args: Array[String]): Unit = {
//TODO 准备环境
val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
val sc = new SparkContext(sparkConf)
//TODO 算子 -coalesce
//coalesce默认不会打乱分区重新组合
//这种情况下的缩减分区可能会导致分区不均衡，出现数据倾斜
//如果想让数据均衡，可以进行shuffle处理
val rdd = sc.makeRDD(List(1,2,3,4,5,6),3)
// val newRDD: RDD[Int] = rdd.coalesce(2)
val newRDD: RDD[Int] = rdd.coalesce(2,true)
newRDD.saveAsTextFile("output")
//TODO 关闭环境
sc.stop()
}
}
11. repartition
函数定义
def repartition(numPartitions: Int)(implicit ord: Ordering[T] = null): RDD[T]
说明
该操作内部其实执行的是 coalesce 操作，参数shuffle 的默认值为true。无论是将分区数多的RDD 转换为分区数少的RDD，还是将分区数少的 RDD 转换为分区数多的RDD，repartition操作都可以完成，因为无论如何都会经shuffle 过程。
案例实操
package com.atguigu.bigdata.spark.core.rdd.operator.transform
import org.apache.spark.{
SparkConf, SparkContext}
object Spark11_RDD_Operator_Transform {
def main(args: Array[String]): Unit = {
//TODO 准备环境
val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
val sc = new SparkContext(sparkConf)
//TODO 算子 -repartition
val rdd = sc.makeRDD(List(6,2,5,4,1,3),2)
val dataRDD1 = dataRDD.repartition(4)
dataRDD1 .saveAsTextFile("output")
//TODO 关闭环境
sc.stop()
}
}
12. sortBy
函数定义
def sortBy[K](
f: (T) => K,
ascending: Boolean = true,
numPartitions: Int = this.partitions.length)
(implicit ord: Ordering[K], ctag: ClassTag[K]): RDD[T]
说明
该操作用于排序数据。在排序之前，可以将数据通过f 函数进行处理，之后按照 f 函数处理
的结果进行排序，默认为升序排列。排序后新产生的 RDD 的分区数与原RDD 的分区数一
致。中间存在shuffle 的过程
案例实操
package com.atguigu.bigdata.spark.core.rdd.operator.transform
import org.apache.spark.{
SparkConf, SparkContext}
object Spark11_RDD_Operator_Transform1 {
def main(args: Array[String]): Unit = {
//TODO 准备环境
val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
val sc = new SparkContext(sparkConf)
//TODO 算子 -sortBy
//sortBy方法可以根据指定的规则进行对数据源中的数据进行排序，默认为升序(true)，第二个参数可以改(false,降序)
//sortBy默认情况下不会改变分区，但中间存在shuffle操作
val rdd = sc.makeRDD(List(("1",1),("11",2),("6",3)),2)
val newRDD = rdd.sortBy(num => num._1.toInt,false)
newRDD.collect().foreach(println)
//TODO 关闭环境
sc.stop()
}
}
双Value类型
13. intersection
函数定义
def intersection(other: RDD[T]): RDD[T]
说明
对源RDD 和参数RDD 求交集后返回一个新的RDD
14. union
函数定义
def union(other: RDD[T]): RDD[T]
说明
对源RDD 和参数RDD 求并集后返回一个新的RDD
15. subtract
函数定义
def subtract(other: RDD[T]): RDD[T]
说明
以一个RDD 元素为主，去除两个RDD 中重复元素，将其他元素保留下来。求差集
16. zip
函数定义
def zip[U: ClassTag](other: RDD[U]): RDD[(T, U)]
说明
将两个RDD 中的元素，以键值对的形式进行合并。其中，键值对中的Key 为第 1 个RDD
中的元素，Value 为第 2 个RDD 中的相同位置的元素。
案例实操
package com.atguigu.bigdata.spark.core.rdd.operator.transform
import org.apache.spark.{
SparkConf, SparkContext}
object Spark12_RDD_Operator_Transform {
def main(args: Array[String]): Unit = {
//TODO 准备环境
val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
val sc = new SparkContext(sparkConf)
//TODO 算子 -双value类型
//并集、交集和差集要求数据源类型一致
//拉链数据源类型可以不一致
val rdd1 = sc.makeRDD(List(1,2,3,4))
val rdd2 = sc.makeRDD(List(5,6,3,4))
val rdd3 = sc.makeRDD(List("3","4","6","7"))
//交集
val newrdd1 = rdd1.intersection(rdd2)
println(newrdd1.collect().mkString(","))
//并集
val newrdd2 = rdd1.union(rdd2)
println(newrdd2.collect().mkString(","))
//差集
val newrdd3 = rdd1.subtract(rdd2)
println(newrdd3.collect().mkString(","))
//拉链
val newrdd4 = rdd1.zip(rdd2)
val newrdd5 = rdd1.zip(rdd3)
println(newrdd4.collect().mkString(","))
println(newrdd5.collect().mkString(","))
//TODO 关闭环境
sc.stop()
}
}
package com.atguigu.bigdata.spark.core.rdd.operator.transform
import org.apache.spark.{
SparkConf, SparkContext}
object Spark12_RDD_Operator_Transform1 {
def main(args: Array[String]): Unit = {
//TODO 准备环境
val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
val sc = new SparkContext(sparkConf)
//TODO 算子 -双value类型
//并集、交集和差集要求数据源类型一致
//拉链数据源类型可以不一致
val rdd1 = sc.makeRDD(List(1,2,3,4,5,6),2)
val rdd2 = sc.makeRDD(List(5,6,3,4),2)
//拉链
//Can't zip RDDs with unequal numbers of partitions: List(2, 4)
//两个数据源的分区数量要求一致
//Can only zip RDDs with same number of elements in each partition
//两个数据源的分区中数据的数量要求一致
val newrdd4 = rdd1.zip(rdd2)
println(newrdd4.collect().mkString(","))
//TODO 关闭环境
sc.stop()
}
}
Key-Value类型
17. partitionBy
函数定义
def partitionBy(partitioner: Partitioner): RDD[(K, V)]
说明
将数据按照指定Partitioner 重新进行分区。Spark 默认的分区器是HashPartitioner
案例实操
package com.atguigu.bigdata.spark.core.rdd.operator.transform
import org.apache.spark.{
HashPartitioner, SparkConf, SparkContext}
object Spark13_RDD_Operator_Transform {
def main(args: Array[String]): Unit = {
//TODO 准备环境
val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
val sc = new SparkContext(sparkConf)
//TODO 算子 -key-value类型
//并集、交集和差集要求数据源类型一致
//拉链数据源类型可以不一致
val rdd = sc.makeRDD(List(1,2,3,4))
val mapRDD = rdd.map((_,1))
//RDD => PairRDDFunctions
//隐式转换(二次编译)
//根据指定的分区规则，对数据进行重新分区
val newRDD = mapRDD.partitionBy(new HashPartitioner(2))
newRDD.partitionBy(new HashPartitioner(2))
//TODO 关闭环境
sc.stop()
}
}
18. reduceByKey
函数定义
def reduceByKey(func: (V, V) => V): RDD[(K, V)]
def reduceByKey(func: (V, V) => V, numPartitions: Int): RDD[(K, V)]
说明
可以将数据按照相同的Key 对Value 进行聚合
案例实操
package com.atguigu.bigdata.spark.core.rdd.operator.transform
import org.apache.spark.rdd.RDD
import org.apache.spark.{
SparkConf, SparkContext}
object Spark14_RDD_Operator_Transform {
def main(args: Array[String]): Unit = {
//TODO 准备环境
val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
val sc = new SparkContext(sparkConf)
//TODO 算子 -key-value类型
val rdd = sc.makeRDD(List(("a",1), ("b",2), ("a",2), ("b",3)))
//reduceByKey:相同的key的数据进行value数据的聚合操作
//scala中一般的操作都是两两聚合，spark是基于scala开发的，所以它的聚合也是两两聚合
val reduceRDD: RDD[(String, Int)] = rdd.reduceByKey((x: Int, y: Int) => {
println(s"x = $x, y= $y")
x + y
})
reduceRDD.collect().foreach(println)
//TODO 关闭环境
sc.stop()
}
}
19. groupByKey
函数定义
def groupByKey(): RDD[(K, Iterable[V])]
def groupByKey(numPartitions: Int): RDD[(K, Iterable[V])]
def groupByKey(partitioner: Partitioner): RDD[(K, Iterable[V])]
说明
将数据源的数据根据 key 对 value 进行分组。
案例实操
package com.atguigu.bigdata.spark.core.rdd.operator.transform
import org.apache.spark.rdd.RDD
import org.apache.spark.{
SparkConf, SparkContext}
object Spark15_RDD_Operator_Transform {
def main(args: Array[String]): Unit = {
//TODO 准备环境
val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
val sc = new SparkContext(sparkConf)
//TODO 算子 -key-value类型
val rdd = sc.makeRDD(List(("a",1), ("b",2), ("a",2), ("b",3)))
//groupByKey：将数据源中的数据，相同的key的数据放在一个组中，形一个对偶元组
// 元组中的第一个元素就是key
// 元组中的第二个元素就是相同key的value的集合
val groupRDD: RDD[(String, Iterable[Int])] = rdd.groupByKey()
val groupRDD1: RDD[(String, Iterable[(String, Int)])] = rdd.groupBy(_._1)
groupRDD.collect().foreach(println)
groupRDD1.collect().foreach(println)
//TODO 关闭环境
sc.stop()
}
}
reduceByKey 和groupByKey 的区别
从 shuffle 的角度：reduceByKey 和groupByKey 都存在 shuffle 的操作，但是reduceByKey
可以在shuffle 前对分区内相同 key 的数据进行预聚合（combine）功能，这样会减少落盘的
数据量，而groupByKey 只是进行分组，不存在数据量减少的问题，reduceByKey 性能比较
高。
从功能的角度：reduceByKey 其实包含分组和聚合的功能。GroupByKey 只能分组，不能聚
合，所以在分组聚合的场合下，推荐使用reduceByKey，如果仅仅是分组而不需要聚合。那
么还是只能使用groupByKey。
20. aggregateByKey
函数定义
def aggregateByKey[U: ClassTag](zeroValue: U)(seqOp: (U, V) => U,
combOp: (U, U) => U): RDD[(K, U)]
说明
将数据根据不同的规则进行分区内计算和分区间计算；
取出每个分区内相同 key 的最大值然后分区间相加
案例实操
package com.atguigu.bigdata.spark.core.rdd.operator.transform
import org.apache.spark.{
SparkConf, SparkContext}
object Spark16_RDD_Operator_Transform {
def main(args: Array[String]): Unit = {
//TODO 准备环境
val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
val sc = new SparkContext(sparkConf)
//TODO 算子 -key-value类型
val rdd = sc.makeRDD(List(("a",1), ("a",2), ("a",3), ("a",4)),2)
//aggregateByKey存在函数的柯里化，有两个参数列表
//第一个参数列表:需要传递一个参数，表示为初始值
// 主要用于当碰到第一个key的时候，和value进行分区内的计算
//第二个参数列表需要传递两个参数
// 第一个参数表示分区内的计算规则
// 第二个参数表示分区间的计算规则
// math.max(x,y)取最大值
rdd.aggregateByKey(0)(
(x,y) => math.max(x,y),
(x,y) => x + y
).collect().foreach(println)
//TODO 关闭环境
sc.stop()
}
}
21. foldByKey
函数定义
def foldByKey(zeroValue: V)(func: (V, V) => V): RDD[(K, V)]
说明
当分区内计算规则和分区间计算规则相同时，aggregateByKey 就可以简化为foldByKey
案例实操
package com.atguigu.bigdata.spark.core.rdd.operator.transform
import org.apache.spark.{
SparkConf, SparkContext}
object Spark16_RDD_Operator_Transform2 {
def main(args: Array[String]): Unit = {
//TODO 准备环境
val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
val sc = new SparkContext(sparkConf)
//TODO 算子 -key-value类型
val rdd = sc.makeRDD(List(("a",1), ("a",2), ("b",3), ("b",4) ,("b",5), ("a",6)),2)
// rdd.aggregateByKey(0)(_+_,_+_).collect().foreach(println)
//如果分区内和分区间的计算结果相同
rdd.foldByKey(0)(_+_).collect().foreach(println)
//TODO 关闭环境
sc.stop()
}
}
22. combineByKey
函数定义
def combineByKey[C](
createCombiner: V => C,
mergeValue: (C, V) => C,
mergeCombiners: (C, C) => C): RDD[(K, C)]
说明
最通用的对key-value 型 rdd 进行聚集操作的聚集函数（aggregation function）。类似于
aggregate()，combineByKey()允许用户返回值的类型与输入不一致。
案例实操
package com.atguigu.bigdata.spark.core.rdd.operator.transform
import org.apache.spark.rdd.RDD
import org.apache.spark.{
SparkConf, SparkContext}
object Spark17_RDD_Operator_Transform {
def main(args: Array[String]): Unit = {
//TODO 准备环境
val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
val sc = new SparkContext(sparkConf)
//TODO 算子 -key-value类型
val rdd = sc.makeRDD(List(("a",1), ("a",2), ("b",3), ("b",4) ,("b",5), ("a",6)),2)
//combineByKey：需要三个参数
//第一个参数表示：将相同的key的第一个数据进行结构的转换，实现操作
//第二个参数表示：分区内的计算规则
//第三个参数表示：分区间的计算规则
val newRDD: RDD[(String, (Int, Int))] = rdd.combineByKey(
v => (v,1),
(t:(Int,Int), v) => {
(t._1 + v, t._2 + 1)
},
(t1:(Int,Int), t2) => {
(t1._1 + t2._1, t1._2 + t2._2)
}
)
newRDD.collect().foreach(println)
val resultRDD = newRDD.mapValues{
case (num ,cnt) => {
num / cnt
}
}
resultRDD.collect().foreach(println)
//TODO 关闭环境
sc.stop()
}
}
reduceByKey、foldByKey、aggregateByKey、combineByKey 的区别
reduceByKey: 相同key 的第一个数据不进行任何计算，分区内和分区间计算规则相同。
FoldByKey: 相同key 的第一个数据和初始值进行分区内计算，分区内和分区间计算规则相同。
AggregateByKey：相同key 的第一个数据和初始值进行分区内计算，分区内和分区间计算规则可以不相同
CombineByKey:当计算时，发现数据结构不满足要求时，可以让第一个数据转换结构。分区内和分区间计算规则不相同。
23. sortByKey
函数定义
def sortByKey(ascending: Boolean = true, numPartitions: Int = self.partitions.length)
: RDD[(K, V)]
说明
在一个(K,V)的RDD 上调用，K 必须实现Ordered 接口(特质)，返回一个按照 key 进行排序
的。
案例实操
package com.atguigu.bigdata.spark.core.rdd.operator.transform
import org.apache.spark.rdd.RDD
import org.apache.spark.{
SparkConf, SparkContext}
object Spark19_RDD_Operator_Transform {
def main(args: Array[String]): Unit = {
//TODO 准备环境
val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
val sc = new SparkContext(sparkConf)
//TODO 算子 -key-value类型
val dataRDD1 = sparkContext.makeRDD(List(("a",1),("b",2),("c",3)))
val sortRDD1: RDD[(String, Int)] = dataRDD1.sortByKey(true)
val sortRDD2: RDD[(String, Int)] = dataRDD1.sortByKey(false)
sortRDD1.collect().foreach(println)
sortRDD2.collect().foreach(println)
//TODO 关闭环境
sc.stop()
}
}
24. join
函数定义
def join[W](other: RDD[(K, W)]): RDD[(K, (V, W))]
说明
在类型为(K,V)和(K,W)的RDD 上调用，返回一个相同 key 对应的所有元素连接在一起的
(K,(V,W))的RDD
案例实操
package com.atguigu.bigdata.spark.core.rdd.operator.transform
import org.apache.spark.rdd.RDD
import org.apache.spark.{
SparkConf, SparkContext}
object Spark19_RDD_Operator_Transform {
def main(args: Array[String]): Unit = {
//TODO 准备环境
val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
val sc = new SparkContext(sparkConf)
//TODO 算子 -key-value类型
val rdd1= sc.makeRDD(List(("a",1),("a",2), ("b",2), ("c",3),("d",2)))
val rdd2 = sc.makeRDD(List(("a",4), ("b",5), ("c",6)))
//join：两个不同源的数据，相同的key的value会连接在一起，形成元组
//如果两个数据源中key没有匹配上，那么数据不会出现在结果中
//如果两个数据源中key有多个相同的，会依次匹配，可能出现笛卡尔乘积，数量会出现几何性增长，使计算机性能降低
val joinRDD: RDD[(String, (Int, Int))] = rdd1.join(rdd2)
joinRDD.collect().foreach(println)
//TODO 关闭环境
sc.stop()
}
}
25. leftOuterJoin
函数定义
def leftOuterJoin[W](other: RDD[(K, W)]): RDD[(K, (V, Option[W]))]
说明
类似于SQL 语句的左外连接
案例实操
package com.atguigu.bigdata.spark.core.rdd.operator.transform
import org.apache.spark.{
SparkConf, SparkContext}
object Spark20_RDD_Operator_Transform {
def main(args: Array[String]): Unit = {
//TODO 准备环境
val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
val sc = new SparkContext(sparkConf)
//TODO 算子 -key-value类型
val rdd1= sc.makeRDD(List(
("a",1), ("b",2), ("c",3)
))
val rdd2 = sc.makeRDD(List(
("a",4), ("b",5)//, ("c",6)
))
val leftJoinRDD = rdd1.leftOuterJoin(rdd2)
val rightJoinRDD = rdd1.leftOuterJoin(rdd2)
leftJoinRDD.collect().foreach(println)
rightJoinRDD.collect().foreach(println)
//TODO 关闭环境
sc.stop()
}
}
26. cogroup
函数定义
def cogroup[W](other: RDD[(K, W)]): RDD[(K, (Iterable[V], Iterable[W]))]
说明
在类型为(K,V)和(K,W)的RDD 上调用，返回一个(K,(Iterable,Iterable))类型的RDD
案例实操
package com.atguigu.bigdata.spark.core.rdd.operator.transform
import org.apache.spark.rdd.RDD
import org.apache.spark.{
SparkConf, SparkContext}
object Spark21_RDD_Operator_Transform {
def main(args: Array[String]): Unit = {
//TODO 准备环境
val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
val sc = new SparkContext(sparkConf)
//TODO 算子 -key-value类型
val rdd1= sc.makeRDD(List(
("a",1), ("b",2), ("c",3)
))
val rdd2 = sc.makeRDD(List(
("a",4), ("b",5)//, ("c",6)
))
//cogroup: connect + group (分组连接)
val cgRDD: RDD[(String, (Iterable[Int], Iterable[Int]))] = rdd1.cogroup(rdd2)
cgRDD.collect().foreach(println)
//TODO 关闭环境
sc.stop()
}
}