Spark学习---day02、Spark核心编程(RDD概述、RDD编程(创建、分区规则、转换算子、Action算子))(一)

简介: Spark学习---day02、Spark核心编程 RDD概述、RDD编程(创建、分区规则、转换算子、Action算子))(一)

前言

Spark计算框架为了能够进行高并发和高吞吐的数据处理,封装了三大数据结构,用于处理不同的应用场景。三大数据结构分别是:

RDD : 弹性分布式数据集

     累加器:分布式共享只写变量

     广播变量:分布式共享只读变量

接下来我们一起看看这三大数据结构是如何在数据处理中使用的。

分布式计算模拟--客户端向服务器发送计算请求

image.png

package test

import java.io.{ObjectOutputStream, OutputStream}
import java.net.Socket

object Driver {
  def main(args: Array[String]): Unit = {
    //连接服务器
    val client = new Socket("localhost", 9999)
    val out: OutputStream = client.getOutputStream
    val objectOut = new ObjectOutputStream(out)
    val task = new Task()
    objectOut.writeObject(task)
    objectOut.flush()
    objectOut.close()
    client.close()
    println("客户端数据发送完毕")

  }

}
package test

import java.io.{InputStream, ObjectInputStream}
import java.net.{ServerSocket, Socket}

object Executor {
  def main(args: Array[String]): Unit = {
    //启动服务器,接收数据
    val server = new ServerSocket(9999)
    println("服务器启动,等待接收数据")
    //等待客户端的连接
    val client: Socket = server.accept()
    val in: InputStream = client.getInputStream
    //对象输入流
    val objin = new ObjectInputStream(in)
    val task: Task = objin.readObject().asInstanceOf[Task]
    val ints:List[Int] = task.compute()
    println("计算节点计算的结果为: "+ints)
    objin.close()
    client.close()
    server.close()
  }

}
package test

class Task extends Serializable {
  val datas=List(1,2,3,4)
//  val logic=(num:Int)=>{num*2}
  val logic:(Int)=>Int=_*2
  //计算
  def compute()={
    datas.map(logic)
  }


}

image.png

分布式计算模拟--数据结构和分布式计算

image.png

package test

import java.io.{ObjectOutputStream, OutputStream}
import java.net.Socket

object Driver {
  def main(args: Array[String]): Unit = {
    //连接服务器
    val client1 = new Socket("localhost", 9999)
    val client2 = new Socket("localhost", 8888)
    val task = new Task()
    val out1: OutputStream = client1.getOutputStream
    val objectOut1 = new ObjectOutputStream(out1)

    val subTask = new SubTask()
    subTask.logic=task.logic
    subTask.datas=task.datas.take(2)


    objectOut1.writeObject(subTask)
    objectOut1.flush()
    objectOut1.close()
    client1.close()
    println("客户端数据发送完毕")
    val out2: OutputStream = client2.getOutputStream
    val objectOut2 = new ObjectOutputStream(out2)

    val subTask1 = new SubTask()
    subTask1.logic = task.logic
    subTask1.datas = task.datas.takeRight(2)


    objectOut2.writeObject(subTask1)
    objectOut2.flush()
    objectOut2.close()
    client2.close()
    println("客户端数据发送完毕")

  }

}
package test

import java.io.{InputStream, ObjectInputStream}
import java.net.{ServerSocket, Socket}

object Executor {
  def main(args: Array[String]): Unit = {
    //启动服务器,接收数据
    val server = new ServerSocket(9999)
    println("服务器启动,等待接收数据")
    //等待客户端的连接
    val client: Socket = server.accept()
    val in: InputStream = client.getInputStream
    //对象输入流
    val objin = new ObjectInputStream(in)
    val task:SubTask = objin.readObject().asInstanceOf[SubTask]
    val ints:List[Int] = task.compute()
    println("计算节点[9999]计算的结果为: "+ints)
    objin.close()
    client.close()
    server.close()
  }

}
package test

import java.io.{InputStream, ObjectInputStream}
import java.net.{ServerSocket, Socket}

object Executor2 {
  def main(args: Array[String]): Unit = {
    //启动服务器,接收数据
    val server = new ServerSocket(8888)
    println("服务器启动,等待接收数据")
    //等待客户端的连接
    val client: Socket = server.accept()
    val in: InputStream = client.getInputStream
    //对象输入流
    val objin = new ObjectInputStream(in)
    val task: SubTask= objin.readObject().asInstanceOf[SubTask]
    val ints:List[Int] = task.compute()
    println("计算节点[8888]计算的结果为: "+ints)
    objin.close()
    client.close()
    server.close()
  }

}
package test

class SubTask extends Serializable {
  var datas:List[Int]=_
  var logic: (Int) => Int = _

  //计算
  def compute() = {
    datas.map(logic)
  }

}
package test

class Task extends Serializable {
  val datas=List(1,2,3,4)
//  val logic=(num:Int)=>{num*2}
  val logic:(Int)=>Int=_*2
  //计算
  def compute()={
    datas.map(logic)
  }


}

image.png



1、RDD概述

1.1 什么是RDD

RDD(Resilient Distributed Dataset)叫弹性分布式数据集,是Spark中对于分布式数据集的抽象。代码中是一个抽象类,它代表一个弹性的、不可变、可分区、里面的元素可并行计算的集合。

image.png

1.2 RDD五大特性

1、一组分区,即是数据集的基本组成单位,标记数据是哪个分区的

2、一个计算每个分区的函数

3、RDD之间的依赖关系

4、一个Partitioner,即RDD的分片函数:控制分区的数据流向(键值对)

5、一个列表,储存存取每个Partition的优先位置(prefered Location)。如果节点和分区个数不对应优先把分区设置在那个节点。移动数据不如移动计算,除非资源不够。

RDD--IO基本实现原理

image.png

说明:图二加了一个缓存区,等缓冲区满了在一起打印出来,类似批处理,提高了性能 image.png

image.png

RDD和IO之间的关系

image.png

image.png

RDD特点

1.弹性
存储的弹性:内存与磁盘的自动切换;
容错的弹性:数据丢失可以自动恢复;
计算的弹性:计算出错重试机制;
分片的弹性:可根据需要重新分片。
2.分布式:数据存储在大数据集群不同节点上
数据集:RDD封装了计算逻辑,并不保存数据
数据抽象:RDD是一个抽象类,需要子类具体实现
不可变:RDD封装了计算逻辑,是不可以改变的,想要改变,只能产生新的RDD,在新的RDD里面封装计算逻辑
可分区、并行计算

核心属性

image.png

分区列表

RDD数据结构中存在分区列表,用于执行任务时并行计算,是实现分布式计算的重要属性。

image.png

 分区计算函数

Spark在计算时,是使用分区函数对每一个分区进行计算

image.png

RDD之间的依赖关系

RDD是计算模型的封装,当需求中需要将多个计算模型进行组合时,就需要将多个RDD建立依赖关系

image.png

分区器(可选)

当数据为KV类型数据时,可以通过设定分区器自定义数据的分区

image.png

首选位置(可选)

计算数据时,可以根据计算节点的状态选择不同的节点位置进行计算

计算向数据靠拢

image.png

执行原理

从计算的角度来讲,数据处理过程中需要计算资源(内存 & CPU)和计算模型(逻辑)。执行时,需要将计算资源和计算模型进行协调和整合。

Spark框架在执行时,先申请资源,然后将应用程序的数据处理逻辑分解成一个一个的计算任务。然后将任务发到已经分配资源的计算节点上, 按照指定的计算模型进行数据计算。最后得到计算结果。

RDD是Spark框架中用于数据处理的核心模型,接下来我们看看,在Yarn环境中,RDD的工作原理:

1) 启动Yarn集群环境

image.png

2) Spark通过申请资源创建调度节点和计算节点

image.png

3) Spark框架根据需求将计算逻辑根据分区划分成不同的任务

image.png

4) 调度节点将任务根据计算节点状态发送到对应的计算节点进行计算

image.png

从以上流程可以看出RDD在整个流程中主要用于将逻辑进行封装,并生成Task发送给Executor节点执行计算,接下来我们就一起看看Spark框架中RDD是具体是如何进行数据处理的。

2、RDD编程

2.1 RDD的创建

在Spark中创建RDD的创建方式可以分为三种:

1、从集合中创建

2、从外部储存创建

3、从其他RDD创建

1) 从集合(内存)中创建RDD

从集合中创建RDD,Spark主要提供了两个方法:parallelize和makeRDD

//1)从集合(内存)中创建RDD
//parallelize:并行

从底层代码实现来讲,makeRDD方法其实就是parallelize方法

package com.atguigu.rdd.builder

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

object RDD_Memory {
  def main(args: Array[String]): Unit = {
    val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("RDD")
    val sc = new SparkContext(sparkConf)
    //1)从集合(内存)中创建RDD
    //parallelize:并行
    val seq: Seq[Int] = Seq[Int](1, 2, 3, 4)
    val rdd: RDD[Int] = sc.parallelize(seq)
//    val rdd1 = sc.parallelize(
//      List(1, 2, 3, 4)
//    )
    val rdd1: RDD[Int] = sc.makeRDD(seq)
    rdd.collect().foreach(println)
    rdd1.collect().foreach(println)
    sc.stop()
  }

}

2) 从外部存储(文件)创建RDD

由外部存储系统的数据集创建RDD包括:本地的文件系统,所有Hadoop支持的数据集,比如HDFS、HBase等。

textFile:以行为单位来读取数据,读取的数据都是字符串
wholeTextFile:以文件为单位读取数据
读取的结果表示为元组,第一个元素表示文件路径,第二个元素表示文件内容

package com.atguigu.rdd.builder

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

object RDD_file {
  def main(args: Array[String]): Unit = {
    val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("spark")
    val sparkContext = new SparkContext(sparkConf)
    //path路径可以是文件的具体路径,也可以是目录名称
    //也可以是通配符*
    //还可以是分布式存储系统路径  "hdfs://node1:8020/test.txt"
    val fileRDD: RDD[String] = sparkContext.textFile("F:\\SparkCore代码\\Spark-core\\input")
    val rdd1: RDD[String] = sparkContext.textFile("datas/1*.txt")
    fileRDD.collect().foreach(println)
    sparkContext.stop()
  }

}

RDD并行度与分区

默认情况下,Spark可以将一个作业切分多个任务,发送给Executor节点并行计算,而能够并行计算的任务数量我们称之为并行度。这个数量可以在构建RDD时指定。记住,这里的并行执行的任务数量,并不是指的切分任务的数量,不要混淆了。

image.png

package com.atguigu.rdd.builder

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
object RDD_par {
  def main(args: Array[String]): Unit = {
    val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("RDD")
    sparkConf.set("spark.default.parallelism","8")
    val sc = new SparkContext(sparkConf)
    val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4))
    //将处理的数据保存成分区文件
    rdd.saveAsTextFile("output")
    sc.stop()
  }

}

image.png

分区数据的分配

读取内存数据时,数据可以按照并行度的设定进行数据的分区操作,数据分区规则的

var rdd=sc.makeRDD(List(1,2,3,4),3)

分区结果:
1
2
[3,4]

var rdd=sc.makeRDD(List(1,2,3,4,5),3)

分区结果:
1
[2,3]
[4,5]

image.png

image.png

image.png

image.png

image.png

读取内存数据时,数据可以按照并行度的设定进行数据的分区操作,数据分区规则的

def positions(length: Long, numSlices: Int): Iterator[(Int, Int)] = {
  (0 until numSlices).iterator.map { i =>
    val start = ((i * length) / numSlices).toInt
    val end = (((i + 1) * length) / numSlices).toInt
    (start, end)
  }
}

0=>0,1     1

1=>1,3     2

2=>3,5

读取文件数据时,数据是按照Hadoop文件读取的规则进行切片分区,而切片规则和数据读取的规则有些差异,具体Spark核心源码如下

textFile可以将文件作为数据处理的数据源,默认也可以设定分区

minPartitions:最小分区数量

match.min(defaultParallelism,2)

totalSize=7

goalSize(每个分区放三个字节)=7/2=3(byte)

//7/3=2...1(1.1)+1=3个分区

public InputSplit[] getSplits(JobConf job, int numSplits)
    throws IOException {

    long totalSize = 0;                           // compute total size
    for (FileStatus file: files) {                // check we have valid files
      if (file.isDirectory()) {
        throw new IOException("Not a file: "+ file.getPath());
      }
      totalSize += file.getLen();
    }

    long goalSize = totalSize / (numSplits == 0 ? 1 : numSplits);
    long minSize = Math.max(job.getLong(org.apache.hadoop.mapreduce.lib.input.
      FileInputFormat.SPLIT_MINSIZE, 1), minSplitSize);
      
    ...
    
    for (FileStatus file: files) {
    
        ...
    
    if (isSplitable(fs, path)) {
          long blockSize = file.getBlockSize();
          long splitSize = computeSplitSize(goalSize, minSize, blockSize);

          ...

  }
  protected long computeSplitSize(long goalSize, long minSize,
                                       long blockSize) {
    return Math.max(minSize, Math.min(goalSize, blockSize));
  }

image.png

image.png

image.png

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

image.png

l Value类型

1) map

函数签名

def map[U: ClassTag](f: T => U): RDD[U]

函数说明

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。

package oerator.transform

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
object spark_map {
  def main(args: Array[String]): Unit = {

    val conf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("wordCount3")
    val sc = new SparkContext(conf)
    val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4))
    val mapRDD: RDD[Int] = rdd.map(
      num => num * 2
    )
    mapRDD.collect().foreach(println)
  }

}

v 小功能:从服务器日志数据apache.log中获取用户请求URL资源路径

package oerator.transform

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

object spark_mapprait {
  def main(args: Array[String]): Unit = {

    val conf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("wordCount3")
    val sc = new SparkContext(conf)
    val rdd: RDD[String] = sc.textFile("F:\\SparkCore代码\\Spark-core\\input\\apache.log")
    //长的字符串变成短的字符串
    val mapRDD: RDD[String] = rdd.map(
      line => {
        val datas: Array[String] = line.split(" ")
        datas(6)
      }
    )
    mapRDD.collect().foreach(println)
  }

}

image.png

并行计算效果

package oerator.transform
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
object spark_map1 {
  def main(args: Array[String]): Unit = {

    val sparkConf: SparkConf = new SparkConf().setAppName("rdd").setMaster("local[*]")
    val sc: SparkContext = new SparkContext(sparkConf)

    //map算子: 将数据集中的元素挨个经过指定的转换规则进行处理.

    val listRDD: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4), 1)

    val mapRDD: RDD[Int] = listRDD.map(
      (num: Int) => {
        println(">>>>>>> " + num)
        num * 2
      }
    ).map(
      num => {
        println("******* " + num + 2)
        num + 2
      }

    )
    //val mapRDD: RDD[Int] = listRDD.map(_ * 2)

    mapRDD.collect() //.foreach(println)

    //mapRDD.saveAsTextFile("output")


    //集合的方法操作是单点操作
    //    val list = List(1,2,3,4)
    //    val result: List[Int] = list.map(_ * 2)
    //    println(result)

    sc.stop()

  }

image.png

image.png

package oerator.transform
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
object spark_map1 {
  def main(args: Array[String]): Unit = {

    val sparkConf: SparkConf = new SparkConf().setAppName("rdd").setMaster("local[*]")
    val sc: SparkContext = new SparkContext(sparkConf)

    //map算子: 将数据集中的元素挨个经过指定的转换规则进行处理.

    val listRDD: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4), 2)

    val mapRDD: RDD[Int] = listRDD.map(
      (num: Int) => {
        println(">>>>>>> " + num)
        num * 2
      }
    ).map(
      num => {
        println("******* " + num + 2)
        num + 2
      }

    )
    //val mapRDD: RDD[Int] = listRDD.map(_ * 2)

    mapRDD.collect() //.foreach(println)

    //mapRDD.saveAsTextFile("output")


    //集合的方法操作是单点操作
    //    val list = List(1,2,3,4)
    //    val result: List[Int] = list.map(_ * 2)
    //    println(result)

    sc.stop()

  }

}

image.png

2) mapPartitions

Ø 函数签名

def mapPartitions[U: ClassTag](

   f: Iterator[T] => Iterator[U],

   preservesPartitioning: Boolean = false): RDD[U]

函数说明

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。

val dataRDD1: RDD[Int] = dataRDD.mapPartitions(

   datas => {

       datas.filter(_==2)

   }

)

v 小功能:获取每个数据分区的最大值

思考一个问题:map和mapPartitions的区别

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。

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

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。

完成比完美更重要

image.png

package oerator.transform
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
object spark_mapPartitions {
  def main(args: Array[String]): Unit = {
    val sparkConf: SparkConf = new SparkConf().setAppName("rdd").setMaster("local[*]")
    val sc: SparkContext = new SparkContext(sparkConf)
    val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4), 2)


    rdd.mapPartitions(
      //mapPartitions : 将每个分区的数据整体进行处理.
      list => {
        // println("************* " + list.mkString(" , ") )
//        List(list.max).iterator
        println(">>>>>>>>>>>>>>>>>>>>")
        list.map(_*2)
      }
    ).collect().foreach(println)


  }

}

image.png

v 小功能:获取每个数据分区的最大值

package oerator.transform
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
object spark_mapPartitions1 {
  def main(args: Array[String]): Unit = {
    val sparkConf: SparkConf = new SparkConf().setAppName("rdd").setMaster("local[*]")
    val sc: SparkContext = new SparkContext(sparkConf)
    //需求: 求每个分区的最大值
    //mapPartitions : 将每个分区的数据整体进行处理.
    //[1,2],[3,4]
    //[2].[4]
    val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4), 2)
    val mpRDD: RDD[Int] = rdd.mapPartitions(
      iter => {
        List(iter.max).iterator
      }
    )
    mpRDD.foreach(println)
    sc.stop()

  }

}

3) mapPartitionsWithIndex

 函数签名

def mapPartitionsWithIndex[U: ClassTag](

 f: (Int, Iterator[T]) => Iterator[U],

 preservesPartitioning: Boolean = false): RDD[U]

函数说明

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。

val dataRDD1 = dataRDD.mapPartitionsWithIndex(

   (index, datas) => {

        datas.map(index, _)

   }

)

package oerator.transform
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
object Spark_mapPartitionsWithIndex {
  def main(args: Array[String]): Unit = {

    val sparkConf: SparkConf = new SparkConf().setAppName("rdd").setMaster("local[*]")
    val sc: SparkContext = new SparkContext(sparkConf)

    //需求: 获取0号分区的数据.
    val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4), 2)


    rdd.mapPartitionsWithIndex(
      (index,datas) => {
        if(index == 0 ) {  //第一分区
          datas
        }else{
          Nil.iterator //空迭代器
        }
      }
    ).collect().foreach(println)  //1 2

    sc.stop()


  }

}
object Spark_mapPartitionsWithIndex1 {
  def main(args: Array[String]): Unit = {
    val sparkConf: SparkConf = new SparkConf().setAppName("rdd").setMaster("local[*]")
    val sc: SparkContext = new SparkContext(sparkConf)

    //需求: 获取每个元素在哪一个分区上
    val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4), 2)
    rdd.mapPartitionsWithIndex(
      (index,iter)=>{
        //1, 2   3,4
        //(0,1)(2,2),(4,3)(6,3)
        iter.map(num=>{
          (index,num)
        })
      }
    ).foreach(println)
  }

}

image.png

v 小功能:获取1号分区的数据

package oerator.transform
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
object Spark_mapPartitionsWithIndex1 {
  def main(args: Array[String]): Unit = {
    val sparkConf: SparkConf = new SparkConf().setAppName("rdd").setMaster("local[*]")
    val sc: SparkContext = new SparkContext(sparkConf)
    //需求: 获取1号分区的数据.
    val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4), 2)

    rdd.mapPartitionsWithIndex {
      case (1, datas) => datas
      case _ => Nil.iterator
    }.collect().foreach(println)  //3,4

    sc.stop()
  }

}

4) flatMap

函数签名

def flatMap[U: ClassTag](f: T => TraversableOnce[U]): RDD[U]

 函数说明

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

val dataRDD = sparkContext.makeRDD(List(

   List(1,2),List(3,4)

),1)

val dataRDD1 = dataRDD.flatMap(

   list => list

)

package oerator.transform
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
object Spark_flatmap {
  def main(args: Array[String]): Unit = {

    val sparkConf: SparkConf = new SparkConf().setAppName("rdd").setMaster("local[*]")
    val sc: SparkContext = new SparkContext(sparkConf)

    //flatMap算子:
    //List(List(1,2),3,List(4,5))
    val listRDD = sc.makeRDD(List(List(1, 2), List(4, 5)))
    val flatRDD: RDD[Int] = listRDD.flatMap(
      list => {
        list
      }
    )
    flatRDD.foreach(println)  //1 2 3 4
    sc.stop()
  }

}
package oerator.transform

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

object Spark_flatmap1 {
  def main(args: Array[String]): Unit = {

    val sparkConf: SparkConf = new SparkConf().setAppName("rdd").setMaster("local[*]")
    val sc: SparkContext = new SparkContext(sparkConf)
    val stringRDD: RDD[String] = sc.makeRDD(List("Hello Spark", "Hello Scala", "Hello Spark", "Hello World"), 2)
     /*
     * s=>{
     * s.split(" ")
     * }
     * */
    stringRDD.flatMap(_.split(" ")).collect().foreach(println)

    sc.stop()

  }

}

image.png

v 小功能:将List(List(1,2),3,List(4,5))进行扁平化操作

package oerator.transform
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
object Spark_flatmapprait {
  def main(args: Array[String]): Unit = {
    val sparkConf: SparkConf = new SparkConf().setAppName("rdd").setMaster("local[*]")
    val sc: SparkContext = new SparkContext(sparkConf)

    //flatMap算子:
    //List(List(1,2),3,List(4,5))
    val listRDD = sc.makeRDD(List(List(1, 2), 3, List(4, 5)), 2)
    listRDD.flatMap(
      data=>{
        data match {
          case list:List[_]=>list  //如果是集合类型就返回集合
          case dat=>List(dat)   //不是集合变成集合
        }
      }
    ).collect().foreach(println)
//
//    listRDD.flatMap {
//      case ele: List[_] => ele
//      case ele: Int => List(ele)
//    }.collect().foreach(println)
    sc.stop()
  }

}

image.png

5) glom

 函数签名

def glom(): RDD[Array[T]]

函数说明

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

val dataRDD : RDD[Int] = sparkContext.makeRDD(List(

   1,2,3,4

),1)

val dataRDD1:RDD[Array[Int]] = dataRDD.glom()

v 小功能:计算所有分区最大值求和(分区内取最大值,分区间最大值求和)


6) groupBy

 函数签名

def groupBy[K](f: T => K)(implicit kt: ClassTag[K]): RDD[(K, Iterable[T])]

函数说明

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

val dataRDD = sparkContext.makeRDD(List(1,2,3,4),1)

val dataRDD1 = dataRDD.groupBy(

   _%2

)

v 小功能:将List("Hello", "hive", "hbase", "Hadoop")根据单词首写字母进行分组。

v 小功能:从服务器日志数据apache.log中获取每个时间段访问量。

v 小功能:WordCount。

 

7) filter

函数签名

def filter(f: T => Boolean): RDD[T]

函数说明

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

val dataRDD = sparkContext.makeRDD(List(

   1,2,3,4

),1)

val dataRDD1 = dataRDD.filter(_%2 == 0)

v 小功能:从服务器日志数据apache.log中获取2015年5月17日的请求路径

 

相关实践学习
基于Hologres+PAI+计算巢,5分钟搭建企业级AI问答知识库
本场景采用阿里云人工智能平台PAI、Hologres向量计算和计算巢,搭建企业级AI问答知识库。通过本教程的操作,5分钟即可拉起大模型(PAI)、向量计算(Hologres)与WebUI资源,可直接进行对话问答。
相关文章
|
1月前
|
分布式计算 API Spark
Spark学习--day05、SparkCore电商网站实操、SparkCore-工程代码
Spark学习--day05、SparkCore电商网站实操、SparkCore-工程代码
65 11
|
1月前
|
SQL 分布式计算 Java
Spark学习---SparkSQL(概述、编程、数据的加载和保存、自定义UDFA、项目实战)
Spark学习---SparkSQL(概述、编程、数据的加载和保存、自定义UDFA、项目实战)
76 1
|
1月前
|
分布式计算 Spark 索引
Spark学习---day07、Spark内核(Shuffle、任务执行)
Spark学习---day07、Spark内核(源码提交流程、任务执行)
40 2
|
1月前
|
分布式计算 监控 Java
Spark学习---day06、Spark内核(源码提交流程、任务执行)
Spark学习---day06、Spark内核(源码提交流程、任务执行)
39 2
|
1月前
|
分布式计算 Spark
Spark【Spark学习大纲】简介+生态+RDD+安装+使用(xmind分享)
【2月更文挑战第14天】Spark【Spark学习大纲】简介+生态+RDD+安装+使用(xmind分享)
30 1
|
3月前
|
机器学习/深度学习 SQL 分布式计算
Apache Spark 的基本概念和在大数据分析中的应用
介绍 Apache Spark 的基本概念和在大数据分析中的应用
157 0
|
9天前
|
分布式计算 Hadoop 大数据
大数据技术与Python:结合Spark和Hadoop进行分布式计算
【4月更文挑战第12天】本文介绍了大数据技术及其4V特性,阐述了Hadoop和Spark在大数据处理中的作用。Hadoop提供分布式文件系统和MapReduce,Spark则为内存计算提供快速处理能力。通过Python结合Spark和Hadoop,可在分布式环境中进行数据处理和分析。文章详细讲解了如何配置Python环境、安装Spark和Hadoop,以及使用Python编写和提交代码到集群进行计算。掌握这些技能有助于应对大数据挑战。
|
3月前
|
机器学习/深度学习 SQL 分布式计算
介绍 Apache Spark 的基本概念和在大数据分析中的应用。
介绍 Apache Spark 的基本概念和在大数据分析中的应用。
|
2月前
|
分布式计算 大数据 Java
Spark 大数据实战:基于 RDD 的大数据处理分析
Spark 大数据实战:基于 RDD 的大数据处理分析
120 0
|
3月前
|
分布式计算 监控 大数据
Spark RDD分区和数据分布:优化大数据处理
Spark RDD分区和数据分布:优化大数据处理