Spark的RDD转换算子

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()
  }

}

猜你喜欢

转载自blog.csdn.net/weixin_44480968/article/details/119739235

相关文章