[spark]action算子

spark job由action算子触发

1.foreach、foreachPartition

1)foreach一般用于打印

 输出

2）foreachPartition

 

foreach和foreachPartition类似，只不过对一个分区使用一次f函数

 

 输出

2.count

  返回rdd元素的个数

 

输出：4

3.collect

返回值为数组，将RDD所有分区中的数据通过网络传输的方式拉取到Driver端，在使用collect之前一定要确定该RDD中数据量的大小，避免造成Driver端内存的溢出。

避免内存溢出：在使用collect之前，使用filter将数据进行过滤。

输出: List(hello world, hello pang pang)

4.take、first

1）

 从RDD中拉取前num条记录到Driver端（可避免内存溢出的情况），返回值的类型为Array，如果RDD中的数据是有序的，那么take[N]代表topN。

2）

 返回RDD中的第一个元素,相当于take(1)

5.saveAsTextFile、write.json、saveAsHadoopFile

1）saveAsTextFile 可以写到本地、也可以写到hdfs上

a)写到本地

 

 

 

b)写到hdfs上

package tarns_result.others.classify
 
import org.apache.spark.rdd.RDD
import org.apache.spark.SparkContext
import common.Tools.{getHDFSDirFiles, getSC, ifDirExistsDelete, jsonFormatREC}
object NAVIFREQ_ALL_CLASSIFY_WORLDWEBJsonToREC {
  def main(args: Array[String]): Unit = {
    val sc: SparkContext =getSC("NAVIFREQ_ALL_CLASSIFY_WORLDWEBJsonToREC")
    val inputpath_sql="/tmp/InternationalData_Result/NAVIFREQ_ALL_CLASSIFY_WORLDWEB/"
    //该路径下只有一个文件，但是该文件名不规则
    //6.将json串转化成REC格式
    val inpaths: Array[String] = getHDFSDirFiles(inputpath_sql)
    val json_file: RDD[String] = sc.textFile(inpaths.mkString(","))
    val REClines:RDD[String] = jsonFormatREC(json_file)
    val outpath_result="hdfs://node01:8020/tmp/InternationalData_Result/NAVIFREQ_ALL_CLASSIFY_WORLDWEB_RESULT"
    ifDirExistsDelete(outpath_result)
    //7.将结果写入到hdfs
    REClines.repartition(1).saveAsTextFile(outpath_result)
    sc.stop()
  }
}

2）write.json(path)

可以将spark sql查出来的结果以json串的形式直接写到hdfs上

package tarns_result.others.classify
 
import common.Tools.{getSpark, ifDirExistsDelete}
import org.apache.spark.sql.DataFrame
 
object NAVIFREQ_ALL_CLASSIFY_WORLDWEB {
  //按照Indicator进行去重
  def main(args: Array[String]): Unit = {
    val spark = getSpark("NAVIFREQ_ALL_CLASSIFY_WORLDWEB")
    val inputpath_json="hdfs://node01:8020/tmp/InternationalData_Result/HDFSToJson"
    //3用sparkSQL加载这个json文件生成一个DataFrame
    val dataframe=spark.read.json(inputpath_json+"/part-00000")
    dataframe.createTempView("table")
    spark.sql("select * from table").show()
    //4.从这个DataFrame中选择想要的字段
    val spark_sql=
      """
        |select
        |Indicator,
        |IndicatorCategory,
        |Unit,
        |IndicatorLength,
        |WebCode,
        |WebName,
        |SourceCode,
        |SourceName
        |from
        |(
        |select
        |Indicator,
        |IndicatorCategory,
        |Unit,
        |IndicatorLength,
        |WebCode,
        |WebName,
        |SourceCode,
        |SourceName,
        |row_number() over(partition by Indicator order by Unit) num
        |from
        |table
        |)t
        |where num=1
        |""".stripMargin
    val result: DataFrame = spark.sql(spark_sql)
 
 
    //5.将数据以json串的形式写入到hdfs
    val outpath_sql="hdfs://node01:8020/tmp/InternationalData_Result/NAVIFREQ_ALL_CLASSIFY_WORLDWEB"
    ifDirExistsDelete(outpath_sql)
    result.repartition(1).write.json(outpath_sql)
    spark.stop()
  }
}

也可以用write.其他格式,存成其他的格式

3）saveAsHadoopFile(没用过)