Spark快速入门-3-Spark的算子总结

Spark的算子的分类

• Transformation 变换/转换算子：这类算子操作是延迟计算的，也就是说从一个RDD 转换生成另一个 RDD 的转换操作不是马上执行，需要等到有 Action 操作的时候才会真正触发运算。这种变换并不触发提交作业，完成作业中间过程处理。
  
• Action 行动算子：这类算子会触发 SparkContext 提交 Job 作业，并将数据输出 Spark 系统。
  

Transformation算子

Value数据类型的Transformation算子

• 输入与输出一对一
  

map算子，将原来 RDD 的每个数据项通过 map 中的自定义函数 f 映射转变为一个新的元素。

图中每个方框表示一个 RDD 分区，左侧的分区经过自定义函数 f:T->U 映射为右侧的新 RDD 分区。但是，实际只有等到 Action 算子触发后，这个 f 函数才会和其他函数在一个 stage 中对数据进行运算。

flatMap算子，将原来 RDD 中的每个元素通过函数 f 转换为新的元素，并将生成的 RDD 的每个集合中的元素合并为一个集合。

println(animal.flatMap(x => List(x, x.length)).collect.foreach(print))
// 输出， 最后多出个()
dog3salmon6salmon6rat3elephant8()

上图表示 RDD 的一个分区，进行 flatMap 函数操作，flatMap 中传入的函数为 f:T->U，T 和 U 可以是任意的数据类型。将分区中的数据通过自定义函数 f 转换为新的数据。外部大方框可以认为是一个 RDD 分区，小方框代表一个集合。

mapPartitions算子，函数获取到每个分区的迭代器，在函数中通过这个分区整体的迭代器对整个分区的元素进行操作。

// mapPartitions
println("=" * 10 + "mapPartitions" + "=" * 10)
println(animal.mapPartitions(iter => iter.filter(_.length > 3)).collect.foreach(println))
// 输出
salmon
salmon
elephant

上图中，通过函数 f (iter)=>iter.f ilter(_>=3) 对分区中所有数据进行过滤，数据大于和等于 3 的数据保留。

glom算子，glom 函数将每个分区形成一个数组。

// glom
val a = sc.parallelize(1 to 10, 3)
println(a.glom.collect.map{x => x.foreach(elem => print(elem + " ")); println})
// 输出
1 2 3 
4 5 6 
7 8 9 10 
[Lscala.runtime.BoxedUnit;@78f4cff3

上图中的方框代表一个分区。该图表示含有 V1、V2、V3 的分区通过函数 glom 形成一数组Array[(V1), (V2), (V3)]。

• 输入与输出多对一
  

union算子，使用 union 函数时需要保证两个 RDD 元素的数据类型相同，返回的 RDD 数据类型和被合并的 RDD 元素数据类型相同，并不进行去重操作，保存所有元素。如果想去重可以使用 distinct()。++ 符号相当于 union 函数操作。

// union
val felidae = sc.parallelize(List("cat", "tiger"))
val zoo = animal ++ felidae
println(zoo.collect.foreach(println))
// 输出
dog
salmon
salmon
rat
elephant
cat
tiger
()

上图中左侧大方框代表两个 RDD，大方框内的小方框代表 RDD 的分区。右侧大方框代表合并后的 RDD，大方框内的小方框代表分区。含有V1、V2、U1、U2、U3、U4 的 RDD 和含有V1、V8、U5、U6、U7、U8的 RDD 合并所有元素形成一个 RDD。V1、V1、V2、V8形成一个分区，U1、U2、U3、U4、U5、U6、U7、U8形成一个分区。

cartesian(笛卡尔)算子，对两个 RDD 内的所有元素进行笛卡尔积操作。

// cartesian
val x = sc.parallelize(List(1,2,3,4,5))
val y = sc.parallelize(List(6,7,8,9,10))
val carRDD = x.cartesian(y)
println(carRDD.collect.foreach(elem => elem match {
  case (x, y) => println(x + " " + y)
}
))
// 输出

上图中左侧大方框代表两个 RDD，大方框内的小方框代表 RDD 的分区。右侧大方框代表合并后的 RDD，大方框内的小方框代表分区。图中的大方框代表 RDD，大方框中的小方框代表 RDD 分区。例如：V1 和另一个 RDD 中的 W1、 W2、 Q5 进行笛卡尔积运算形成 (V1,W1)、(V1,W2)、 (V1,Q5)。

• 输入与输出多对多
  

grouBy算子，将元素通过函数生成相应的 Key，数据就转化为 Key-Value 格式，之后将 Key 相同的元素分为一组。

val a = sc.parallelize(1 to 10, 3)
val groupByRDD = a.groupBy(x => if (x % 2 == 0) "even" else "odd")
//  Array[(String, Seq[Int])] = Array((even,ArrayBuffer(2, 4, 6, 8)), (odd,ArrayBuffer(1, 3, 5, 7, 9)))
groupByRDD.collect.map(elem => elem match {
case (x: String, y: Iterable[Int]) => println(x.mkString + " : " + y.mkString(", "))
case _ => "..."
})
// 输出
even : 2, 4, 6, 8, 10
odd : 1, 3, 5, 7, 9

上图中方框代表一个 RDD 分区，相同 key 的元素合并到一个组。例如 V1 和 V2 合并为 V， Value 为 V1,V2。形成 V,Seq(V1,V2)。

• 输出为输入子集
  

filter算子， filter 函数功能是对元素进行过滤，对每个元素应用 f 函数，返回值为 true 的元素在 RDD 中保留，返回值为 false 的元素将被过滤掉。

// filter
val evenRDD = a.filter(_ % 2 == 0)
println(evenRDD.collect.mkString(", "))
// 输出
2, 4, 6, 8, 10

上图中每个方框代表一个 RDD 分区，T 可以是任意的类型。通过自定义的过滤函数 f，对每个数据项操作，将满足条件、返回结果为 true 的数据项保留。例如，过滤掉 V2 和 V3 保留了 V1，为区分命名为 V'1。

distinct算子，将RDD中的元素进行去重操作。

// distinct
val animal = sc.parallelize(List("dog", "salmon", "salmon", "rat", "elephant"))
println(animal.distinct.collect.mkString(", "))
// 输出
rat, elephant, dog, salmon

上图中的每个方框代表一个 RDD 分区，通过 distinct 函数，将数据去重。 例如，重复数据V1、 V1去重后只保留一份V1。

subtract算子，相当于进行集合的差操作，RDD 1去除RDD 1和RDD 2交集中的所有元素。

val a = sc.parallelize(1 to 9, 3)
val b = sc.parallelize(1 to 3, 3)
val c = a.subtract(b)
println(c.collect.mkString(", "))
// 输出
6, 9, 4, 7, 5, 8

上图中左侧的大方框代表两个 RDD，大方框内的小方框代表 RDD 的分区。 右侧大方框代表合并后的 RDD，大方框内的小方框代表分区。 V1 在两个RDD 中均有，根据差集运算规则，新 RDD 不保留，V2 在第一个 RDD 有，第二个 RDD 没有，则在新 RDD 元素中包含 V2。

sample算子，将 RDD 这个集合内的元素进行采样，获取所有元素的子集。用户可以设定是否有放回的抽样、百分比、随机种子，进而决定采样方式。

// sample
println(a.sample(false, 0.5, 10).collect.mkString(", "))
println(a.sample(true, 0.5, 10).collect.mkString(", "))
// 输出
4, 5, 8, 9
2, 4, 8, 8

上图中的每个方框是一个 RDD 分区。通过 sample 函数，采样 50% 的 数据。V1、V2、U1、U2、U3、U4 采样出数据 V1 和 U1、U2 形成新的 RDD。

takeSample算子，和上面的sample函数是一个原理，但是不使用相对比例采样，而是按设定的采样个数进行采样，同时返回结果不再是RDD，而是相当于对采样后的数据进行 collect()，返回结果的集合为单机的数组。

// takeSample
println(a.takeSample(false, 5, 10).mkString(", "))
println(a.takeSample(true, 5, 10).mkString(", "))
// 输出
9, 5, 7, 6, 8
6, 8, 9, 5, 2

上图中左侧的方框代表分布式的各个节点上的分区，右侧方框代表单机上返回的结果数组。 通过 takeSample 对数据采样，设置为采样一份数据，返回结果为V1。

• Cache型
  

cache算子，这个方法也是个 Tranformation，当第一次遇到 Action 算子的时才会进行持久化将 RDD 元素从磁盘缓存到内存。在 Spark 中很多地方都会用到同一个 RDD, 按照常规的做法，每个地方遇到 Action 操作的时候都会对同一个算子计算多次，这样会造成效率低下的问题。相当于 persist(MEMORY_ONLY) 函数的功能。

// cache
val animal = sc.parallelize(List("dog", "salmon", "salmon", "rat", "elephant"))
println(animal.getStorageLevel)
val animalCache = animal.cache
println(animal.getStorageLevel)
println(animalCache.getStorageLevel)
println(animalCache.map(_.length).collect.foreach(println))
println(animalCache.map(_.length).collect.foreach(println))
// 输出
StorageLevel(1 replicas)
StorageLevel(memory, deserialized, 1 replicas)
StorageLevel(memory, deserialized, 1 replicas)

persist算子

Key-Value数据类型的Transfromation算子

• 输入与输出一对一
  

mapValues算子，针对（Key， Value）型数据中的 Value 进行 Map 操作，而不对 Key 进行处理。

// mapValues
val lenAnimal = animal.map(x => (x.length, x))
println(lenAnimal.mapValues("|" + _ + "|").collect.mkString(", "))
// 输出
(3,|dog|), (6,|salmon|), (6,|salmon|), (3,|rat|), (8,|elephant|)

上图中的方框代表 RDD 分区。a=>a+2 代表对 (V1,1) 这样的 Key Value 数据对，数据只对 Value 中的 1 进行加 2 操作，返回结果为 3。

• 对单个RDD或两个RDD聚集
  

单个RDD聚集

combineByKey算子

reduceByKey算子，只是两个值合并成一个值，比如叠加。

val animal = sc.parallelize(List("dog", "salmon", "salmon", "rat", "elephant"))
val lenRDD = animal.map(x => (x.length, x))
println(lenRDD.reduceByKey(_ + _).collect.mkString(", "))
// 输出
(6,salmonsalmon), (3,dograt), (8,elephant)

上图中的方框代表 RDD 分区。通过自定义函数 (A,B) => (A + B) 函数，将相同 key 的数据 (V1,2) 和 (V1,1) 的 value 相加运算，结果为（ V1,3）。

partitionBy算子

两个RDD聚集

cogroup算子，将两个RDD进行协同划分。对在两个RDD中的Key-Value类型的元素，每个RDD相同Key的元素分别聚合为一个集合，并且返回两个RDD中对应Key的元素集合的迭代器。（K， （Iterable[V]， Iterable[W]））其中，Key和Value，Value是两个RDD下相同Key的两个数据集合的迭代器所构成的元组。

val a = sc.parallelize(List(1, 2, 1, 3), 1)
val b = a.map((_, "b"))
val c = a.map((_, "c"))
println(b.cogroup(c).collect.mkString(", "))
// 输出
(1,(CompactBuffer(b, b),CompactBuffer(c, c))), (3,(CompactBuffer(b),CompactBuffer(c))), (2,(CompactBuffer(b),CompactBuffer(c)))

上图中的大方框代表 RDD，大方框内的小方框代表 RDD 中的分区。 将RDD1中的数据（U1，1）、 （U1，2）和RDD2中的数据（U1，2）合并为（U1，（（1，2），（2）））。

• 连接
  

join算子，对两个需要连接的 RDD 进行 cogroup函数操作，将相同 key 的数据能够放到一个分区，在 cogroup 操作之后形成的新 RDD 对每个key 下的元素进行笛卡尔积的操作，返回的结果再展平，对应 key 下的所有元组形成一个集合。最后返回 RDD[(K， (V， W))]。

val a = sc.parallelize(List("dog", "salmon", "salmon", "rat", "elephant"), 3)
val b = a.keyBy(_.length)
println(b.collect.mkString(", "))
val c = sc.parallelize(List("dog","cat","gnu","salmon","rabbit","turkey","wolf","bear","bee"), 3)
val d = c.keyBy(_.length)
println(d.collect.mkString(", "))
println(b.join(d).collect.mkString(", "))
// 输出
(3,dog), (6,salmon), (6,salmon), (3,rat), (8,elephant)
(3,dog), (3,cat), (3,gnu), (6,salmon), (6,rabbit), (6,turkey), (4,wolf), (4,bear), (3,bee)
(6,(salmon,salmon)), (6,(salmon,rabbit)), (6,(salmon,turkey)), (6,(salmon,salmon)), (6,(salmon,rabbit)), (6,(salmon,turkey)), (3,(dog,dog)), (3,(dog,cat)), (3,(dog,gnu)), (3,(dog,bee)), (3,(rat,dog)), (3,(rat,cat)), (3,(rat,gnu)), (3,(rat,bee))

上图中是对两个 RDD 的 join 操作示意图。大方框代表 RDD，小方框代表 RDD 中的分区。函数对相同 key 的元素，如 V1 为 key 做连接后结果为 (V1,(1,1)) 和 (V1,(1,2))。

leftOutJoin 和 rightOutJoin算子，LeftOutJoin（左外连接）和 RightOutJoin（右外连接）相当于在 join 的基础上先判断一侧的RDD元素是否为空，如果为空，则填充为空。 如果不为空，则将数据进行连接运算，并返回结果。

// leftOuterJoin
println(b.leftOuterJoin(d).collect.mkString(", "))
// 输出
(6,(salmon,Some(salmon))), (6,(salmon,Some(rabbit))), (6,(salmon,Some(turkey))), (6,(salmon,Some(salmon))), (6,(salmon,Some(rabbit))), (6,(salmon,Some(turkey))), (3,(dog,Some(dog))), (3,(dog,Some(cat))), (3,(dog,Some(gnu))), (3,(dog,Some(bee))), (3,(rat,Some(dog))), (3,(rat,Some(cat))), (3,(rat,Some(gnu))), (3,(rat,Some(bee))), (8,(elephant,None))
// rightOuterJoin
println(b.rightOuterJoin(d).collect.mkString(", "))
// 输出
(6,(Some(salmon),salmon)), (6,(Some(salmon),rabbit)), (6,(Some(salmon),turkey)), (6,(Some(salmon),salmon)), (6,(Some(salmon),rabbit)), (6,(Some(salmon),turkey)), (3,(Some(dog),dog)), (3,(Some(dog),cat)), (3,(Some(dog),gnu)), (3,(Some(dog),bee)), (3,(Some(rat),dog)), (3,(Some(rat),cat)), (3,(Some(rat),gnu)), (3,(Some(rat),bee)), (4,(None,wolf)), (4,(None,bear))

Action算子

• 无输出
  

foreach算子，通过自定义函数对每个数据项进行操作。对 RDD 中的每个元素都应用 f 函数操作，不返回 RDD 和 Array，而是返回Uint。

上图中表示自定义函数为 println()，控制台打印所有数据项。

• HDFS
  

saveAsTextFile算子，存储到 HDFS 的指定目录。

saveAsObjectFile算子

• Scala集合和数据类型
  

collect算子，相当于 toArray， toArray 已经过时不推荐使用， collect 将分布式的 RDD 返回为一个单机的 scala Array 数组。在这个数组上运用 scala 的函数式操作。

上图中左侧方框代表 RDD 分区，右侧方框代表单机内存中的数组。通过函数操作，将结果返回到 Driver 程序所在的节点，以数组形式存储。

collectAsMap算子，对（K，V）型的RDD数据返回一个单机HashMap。 对于重复K的RDD元素，后面的元素覆盖前面的元素。

// collectAsMap
val a = sc.parallelize(List(1, 2, 1, 3), 1)
val b = a.zip(a)
println(b.collectAsMap.foreach(elem => elem match {
case (k, v) => println(k + "->" + v)
}))
// 输出
2->2
1->1
3->3
()

上图中的左侧方框代表 RDD 分区，右侧方框代表单机数组。 数据通过collectAsMap 函数返回给 Driver 程序计算结果，结果以 HashMap 形式存储。

reduceByKeyLocally算子，实现的是先reduce再collectAsMap的功能，先对RDD的整体进行reduce操作，然后再收集所有结果返回为一个HashMap。

val a = sc.parallelize(List("dog", "cat", "owl", "gnu", "ant"), 2)
val b = a.map(x => (x.length, x))
b.reduceByKey(_ + _).collect

lookup算子，函数对（Key，Value）型的RDD操作，返回指定Key对应的元素形成的Seq。 这个函数处理优化的部分在于，如果这个RDD包含分区器，则只会对应处理K所在的分区，然后返回由（K，V）形成的Seq。 如果RDD不包含分区器，则需要对全RDD元素进行暴力扫描处理，搜索指定K对应的元素。

// lookup
val a = sc.parallelize(List("dog", "tiger", "lion", "cat", "panther", "eagle"), 2)
val b = a.map(x => (x.length, x))
println(b.lookup(5).mkString(", "))
// 输出
tiger, eagle

上图中的左侧方框代表 RDD 分区，右侧方框代表 Seq，最后结果返回到Driver所在节点的应用中。

count算子，返回整个 RDD 的元素个数。

上图中，返回数据的个数为 5。一个方块代表一个 RDD 分区。

top算子，可返回最大的k个元素。相近函数，take返回最小的k个元素；takeOrdered返回最小的k个元素，并且在返回的数组中保持元素的顺序。

val c = sc.parallelize(Array(6, 9, 4, 7, 5, 8), 2)
c.top(2)
res28: Array[Int] = Array(9, 8)

reduce算子，函数相当于对RDD中的元素进行reduceLeft函数的操作。

自定义函数如： f：（A，B）=>（A.1+"@"+B.1，A.2+B.2） 上图中的方框代表一个RDD分区，通过自定函数f将数据进行reduce运算。 最后的返回结果为V1@[1]V2U！@U2@U3@U4，12。

fold算子，fold和reduce的原理相同，但是与reduce不同，相当于每个reduce时，迭代器取的第一个元素是zeroValue。

fold（（"V0@"，2））（ （A，B）=>（A.1+"@"+B.1，A.2+B.2））

上图中通过下面的自定义函数进行fold运算，图中的一个方框代表一个RDD分区。 　　

aggregate算子，aggregate先对每个分区的所有元素进行 aggregate 操作，再对分区的结果进行fold操作。aggreagate 与 fold 和 reduce 的不同之处在于，aggregate 相当于采用归并的方式进行数据聚集，这种聚集是并行化的。 而在 fold 和 reduce 函数的运算过程中，每个分区中需要进行串行处理，每个分区串行计算完结果，结果再按之前的方式进行聚集，并返回最终聚集结果。