Spark 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

一、Value 类型

1.map

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

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。

代码：


object RddMapTest {
  def main(args: Array[String]): Unit = {
    val sparkConf = new SparkConf().setAppName("test").setMaster("local[*]")
    val sc = new SparkContext(sparkConf)
    var rdd = sc.makeRDD(List(1,2,3,4))
    //var rdd2 = rdd.map(x=>x*2)
    var rdd2 = rdd.map(_*2)
    rdd2.saveAsTextFile("outMap")
  }
 
}

2.mapPartitions

函数签名 def mapPartitions[U: ClassTag](

f: Iterator[T] => Iterator[U],

preservesPartitioning: Boolean = false): RDD[U]

代码：


object RddMapTest2{
  def main(args: Array[String]): Unit = {
    val sparkConf = new SparkConf().setAppName("test2").setMaster("local[*]")
    val sc = new SparkContext(sparkConf)
    val rdd = sc.makeRDD(List(5,6,7,8))
    val rdd2 = rdd.mapPartitions(datas=>{
      datas.map(_*2)
    })
    rdd2.saveAsTextFile("outMap2")
  }
}

3.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。

4.mapPartitionsWithIndex

函数签名

def mapPartitionsWithIndex[U: ClassTag](

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

preservesPartitioning: Boolean = false): RDD[U]

代码：


/**需求，RddMapTest的0分区乘与2；1分区不动
 *
 */
object RddMapTest{
  def main(args: Array[String]): Unit = {
    val sparkConf = new SparkConf().setAppName("test3").setMaster("local[*]")
    val sc = new SparkContext(sparkConf)
    val rdd = sc.makeRDD(List(4,5,8,9),2)
    val rdd2:RDD[(Int)] = rdd.mapPartitionsWithIndex((index,datas)=>{
      index match {
        case 0 => datas.map(_*2)
        case _ => datas
      }
    })
    rdd2.saveAsTextFile("outMap4")
  }
}

5.flatMap

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

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

代码：


object FlatMapDemo {
  def main(args: Array[String]): Unit = {
    val sparkConf = new SparkConf().setAppName("test").setMaster("local[*]")
    val sc = new SparkContext(sparkConf)
    val rdd = sc.makeRDD(List(List(1,2),List(3,4),List(5,6)))
    rdd.flatMap(list => list).collect().foreach(println)
  }
 
}

6.glom

函数签名 def glom(): RDD[Array[T]]

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

代码：


/**
 * 分区内取最大值，分区间最大值求和
 */
object glomDemo {
  def main(args: Array[String]): Unit = {
    val sparkConf = new SparkConf().setAppName("test").setMaster("local[*]")
    val sc = new SparkContext(sparkConf)
    val rdd = sc.textFile("input\\word.txt",3)
    val rdd2 = rdd.flatMap(line =>{
      line.split(",")
    })
    val rdd3 = rdd2.map(
      value=>{
        Integer.parseInt(value)
    }).glom().map(arr=>arr.max)
    rdd3.saveAsTextFile("out10")
  }
 
}

word.txt的数据

1,5,6,7,100
-1,50,14,1000
6,5,-100,20

7.groupBy

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

代码：


object groupByDemo {
  def main(args: Array[String]): Unit = {
    val sparkConf = new SparkConf().setAppName("test").setMaster("local[*]")
    val sc = new SparkContext(sparkConf)
    val rdd = sc.textFile("input\\word.txt",2)
    val rdd2 = rdd.flatMap(_.split(",")).map(Integer.parseInt(_)).groupBy(_%2)
    rdd2.saveAsTextFile("out11")
  }
 
}

8.filter

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

代码：


/**
 * 过滤字符串
 */
object FilterDemo2 {
  def main(args: Array[String]): Unit = {
    //创建SparkConfig
    var sparkConf = new SparkConf().setAppName("text").setMaster("local[*]")
    //创建SparkContext
    val sc = new SparkContext(sparkConf)
    val rdd = sc.makeRDD(Array("java","js","python","php"))
    rdd.filter(_.charAt(0)=='j').collect().foreach(println)
  }
 
}

9.sample

函数签名 def sample( withReplacement: Boolean, fraction: Double, seed: Long = Utils.random.nextLong): RDD[T]

代码：


object SampleDemo {
  def main(args: Array[String]): Unit = {
    val sparkConf = new SparkConf().setAppName("test").setMaster("local[*]")
    val sc = new SparkContext(sparkConf)
    val rdd:RDD[Long]=sc.range(1,100)
    //放回抽样
//    val rdd2 = rdd.sample(true,0.3)
    //不放回抽样
    val rdd2 = rdd.sample(false,0.3)
    print(rdd2.collect().mkString(","))
  }
}
 
/**
 *循环抽样
 */
object SampleDemo2 {
  def main(args: Array[String]): Unit = {
    val sparkConf = new SparkConf().setAppName("test").setMaster("local[*]")
    val sc = new SparkContext(sparkConf)
    val rdd:RDD[Long]=sc.range(1,100)
    for(a <- 1 to 10){
      //不放回抽样
      val rdd2 = rdd.sample(false,0.3,1)
      println(rdd2.collect().mkString(","))
    }
 
  }
}
 
/**
 * 数据倾斜
 */
object SampleDemo3 {
  def main(args: Array[String]): Unit = {
    val sparkConf = new SparkConf().setAppName("test").setMaster("local[*]")
    val sc = new SparkContext(sparkConf)
    val rdd = sc.makeRDD(Array("A","A","A","A","A","A","A","A","A","A","A","A","A","A","A","A","A","A","A","A","A","A","A","A",
      "A","A","A","A","A","A","A","A","A","A","A","A","A","A","A","A","A","A","A","A","A","A","A","A","A","A",
      "A","A","A","A","A","A","A","A","A","A","A","A","A","A","A","A","A","A","A","A","A","A","A","A",
      "B","B","B","B","B","B","B","B","C","D","E","F","G"))
    val rdd2 = rdd.map((_,1)).sample(true,0.3).reduceByKey(_+_).map(line=>(line._2,line._1)).sortBy(_._1,false).take(1)
    rdd2.foreach(line =>{
      println(line._1,line._2)
    })
    sc.stop()
  }
}

10.distinct

函数签名

def distinct()(implicit ord: Ordering[T] = null): RDD[T]

def distinct(numPartitions: Int)(implicit ord: Ordering[T] = null): RDD[T]

代码：


object DistinctDemo {
  def main(args: Array[String]): Unit = {
    val sparkConf = new SparkConf().setAppName("test").setMaster("local[*]")
    val sc = new SparkContext(sparkConf)
    val rdd = sc.makeRDD(Array(1,2,3,1,1,2,2,3,3,5))
    //第一种去重
//    val rdd2 = rdd.distinct()
    //第二种去重
//    val rdd2 = rdd.map(x => (x,null)).reduceByKey((x,y)=> x,8).map(_._1)
    //对RDD采用多个Task去重，提高并发度
    val rdd2 = rdd.distinct(5)
    rdd2.foreach(println)
  }
 
}

11.coalesce

函数签名

def coalesce(numPartitions: Int,

shuffle: Boolean = false,

partitionCoalescer: Option[PartitionCoalescer] = Option.empty)

(implicit ord: Ordering[T] = null) : RDD[T]

函数说明

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

代码：


object coalesceDemo {//执行Shuffle
  def main(args: Array[String]): Unit = {
    val sparkConf = new SparkConf().setAppName("test").setMaster("local[*]")
    val sc = new SparkContext(sparkConf)
    val rdd = sc.makeRDD(Array(1,2,3,4,5,6),3)
    val rdd2 = rdd.mapPartitionsWithIndex((index,datas)=>{
      datas.foreach(data=>{
        println(s"${index}->${data}")
      })
      datas
    })
    rdd2.collect()
 
    //缩减分区至2个,
//    val rdd3 = rdd.coalesce(2)默认不Shuffle，
    val rdd3 = rdd.coalesce(2,true)执行Shuffle
    val rdd4 = rdd3.mapPartitionsWithIndex((index,datas)=>{
      datas.foreach(data=>{
        println(s"${index}->${data}")
      })
      datas
    })
    rdd4.collect()
  }
 
}

12.repartition

函数签名 def repartition(numPartitions: Int)(implicit ord: Ordering[T] = null): RDD[T]

函数说明

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。

代码：


/**
 * repartition()重新分区,可以大转小，小转大
 */
object coalesceDemo2 {//执行Shuffle
  def main(args: Array[String]): Unit = {
    val sparkConf = new SparkConf().setAppName("test").setMaster("local[*]")
    val sc = new SparkContext(sparkConf)
    val rdd = sc.makeRDD(Array(1,2,3,4,5,6),2)
    val rdd2 = rdd.mapPartitionsWithIndex((index,datas)=>{
      datas.foreach(data=>{
        println(s"${index}->${data}")
      })
      datas
    })
    rdd2.collect()
 
 
    val rdd3 = rdd.repartition(3)//执行Shuffle
    val rdd4 = rdd3.mapPartitionsWithIndex((index,datas)=>{
      datas.foreach(data=>{
        println(s"${index}->${data}")
      })
      datas
    })
    rdd4.collect()
  }
 
}

13.sortBy

函数签名 def sortBy[K]( f: (T) => K,ascending: Boolean = true, numPartitions: Int = this.partitions.length) (implicit ord: Ordering[K], ctag: ClassTag[K]): RDD[T]

代码：


object sortByDemo {
  def main(args: Array[String]): Unit = {
    val sparkConf = new SparkConf().setAppName("test").setMaster("local[*]")
    val sc = new SparkContext(sparkConf)
    val rdd = sc.makeRDD(Array(1,2,3,4,5,6),3)
    rdd.sortBy(a=>a,false).collect().foreach(println)
  }
 
}

二、双 Value 类型

14.intersection

函数签名 def intersection(other: RDD[T]): RDD[T]

代码：


/**
 * intersection()交集
 * 共同的元素
 */
object IntersectionDemo {
  def main(args: Array[String]): Unit = {
    val sparkConf = new SparkConf().setAppName("test").setMaster("local[*]")
    val sc = new SparkContext(sparkConf)
    val rdd1 =  sc.makeRDD(Array(1,2,3),3)
    val rdd2 = sc.makeRDD(Array(3,4,5),3)
    val rdd3 = rdd1.intersection(rdd2)
    //打印分区号和数据
    val rdd4 = rdd3.mapPartitionsWithIndex((index,datas)=>{
      datas.foreach(data=>{
        println(s"${index}->${data}")//1->1 2->2
      })
      datas
    })
    rdd4.collect()
  }
 
}

15.union

函数签名 def union(other: RDD[T]): RDD[T]

代码：


object UnionDemo {
  def main(args: Array[String]): Unit = {
    val sparkConf = new SparkConf().setAppName("test").setMaster("local[*]")
    val sc = new SparkContext(sparkConf)
    val rdd1 =  sc.makeRDD(Array(1,2,3),3)
    val rdd2 = sc.makeRDD(Array(3,4,5),3)
//    rdd1.union(rdd2).collect().foreach(println)//1,2,3,3,4,5
    val rdd3 = rdd1.union(rdd2)
//    rdd3.saveAsTextFile("out\\out13")
    //打印分区号和数据
    val rdd4 = rdd3.mapPartitionsWithIndex((index,datas)=>{
      datas.foreach(data=>{
        println(s"${index}->${data}")
      })
      datas
    })
    rdd4.collect()
  }
 
}

16.subtract

函数签名 def subtract(other: RDD[T]): RDD[T]

代码：


/**
 * subtract ()差集
 * rdd1->rdd2 1,2
 * rrd2 ->rdd1 4,5
 */
object SubtractDemo {
  def main(args: Array[String]): Unit = {
    val sparkConf = new SparkConf().setAppName("test").setMaster("local[*]")
    val sc = new SparkContext(sparkConf)
    val rdd1 =  sc.makeRDD(Array(1,2,3),3)
    val rdd2 = sc.makeRDD(Array(3,4,5),3)
    val rdd3 = rdd1.subtract(rdd2)
    //打印分区号和数据
    val rdd4 = rdd3.mapPartitionsWithIndex((index,datas)=>{
      datas.foreach(data=>{
        println(s"${index}->${data}")//1->1 2->2
      })
      datas
    })
    rdd4.collect()
  }
 
}

17.zip

函数签名 def zip[U: ClassTag](other: RDD[U]): RDD[(T, U)]

代码：


object ZipDemo {
  def main(args: Array[String]): Unit = {
    val sparkConf = new SparkConf().setAppName("test").setMaster("local[*]")
    val sc = new SparkContext(sparkConf)
    val rdd1 =  sc.makeRDD(Array("zhangsan","lisi","wangwu"),3)
    val rdd2 = sc.makeRDD(Array(20,18,21),3)
    val rdd3 = rdd1.zip(rdd2)
    rdd3.collect().foreach(println)
  }
 
}

三、Key - Value 类型

18.partitionBy

函数签名 def partitionBy(partitioner: Partitioner): RDD[(K, V)]

代码：


object ParTest {
  def main(args: Array[String]): Unit = {
    val sparkConf = new SparkConf().setAppName("test").setMaster("local[*]")
    val sc = new SparkContext(sparkConf)
    val rdd = sc.makeRDD(Array((1,"a"),(2,"b"),(3,"c")))
    var rdd2 = rdd.partitionBy(new HashPartitioner(2))
    rdd2.saveAsTextFile("out\\out14")
    sc.stop()
  }
 
}

19.reduceByKey

函数签名

def reduceByKey(func: (V, V) => V): RDD[(K, V)]

def reduceByKey(func: (V, V) => V, numPartitions: Int): RDD[(K, V)]

代码：


/**
 * reduceByKey()按照K聚合V
 */
object ParTest2{
  def main(args: Array[String]): Unit = {
    val sparkConf = new SparkConf().setAppName("test").setMaster("local[*]")
    val sc = new SparkContext(sparkConf)
    val rdd = sc.makeRDD(Array((1,"a"),(1,"b"),(3,"c"),(3,"d"),(3,"k")))
    val rdd2 = rdd.reduceByKey((x,y) =>x +y)
    rdd2.saveAsTextFile("out\\out15")
    sc.stop()
  }
}

20.groupByKey

函数签名

def groupByKey(): RDD[(K, Iterable[V])]

def groupByKey(numPartitions: Int): RDD[(K, Iterable[V])]

def groupByKey(partitioner: Partitioner): RDD[(K, Iterable[V])]

代码：


/**
 *groupByKey()按照K重新分组,求value的最大值
 */
object ParTest3{
  def main(args: Array[String]): Unit = {
    val sparkConf = new SparkConf().setAppName("test").setMaster("local[*]")
    val sc = new SparkContext(sparkConf)
    val rdd = sc.makeRDD(List(("a",1),("b",5),("a",5),("b",2)))
    val rdd2 = rdd.groupByKey()
    rdd2.map(line =>(line._1,line._2.max)).collect().foreach(println)
    sc.stop()
  }
}

21.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

22.aggregateByKey

函数签名

def aggregateByKey[U: ClassTag](zeroValue: U)

(seqOp: (U, V) => U, combOp: (U, U) => U): RDD[(K, U)]

代码：


/**
 * aggregateByKey()
 */
object aggregateByKeyTest {
  def main(args: Array[String]): Unit = {
    val sparkConf = new SparkConf().setAppName("test").setMaster("local[*]")
    val sc = new SparkContext(sparkConf)
    val rdd = sc.makeRDD(List(("a",1),("b",5),("a",5),("b",2)))
    rdd.aggregateByKey(0)(Math.max(_,_),_+_).collect().foreach(println)
    sc.stop()
  }
 
}

23.foldByKey

函数签名 def foldByKey(zeroValue: V)(func: (V, V) => V): RDD[(K, V)]

代码:


/***
 * foldByKey()分区内
 */
object foldByKeyTest{
  def main(args: Array[String]): Unit = {
    val sparkConf = new SparkConf().setAppName("test").setMaster("local[*]")
    val sc = new SparkContext(sparkConf)
    val rdd = sc.makeRDD(List(("a",1),("b",5),("a",5),("b",2)))
    rdd.foldByKey(0)(_+_).collect().foreach(println)
    sc.stop()
  }
}

24.combineByKey

函数签名

def combineByKey[C]( createCombiner: V => C,

mergeValue: (C, V) => C,

mergeCombiners: (C, C) => C): RDD[(K, C)]

代码：


/**
 * combineByKey()转换结构后分区内和分区间操作
 */
object combineByKeyTest{
  def main(args: Array[String]): Unit = {
    val sparkConf = new SparkConf().setAppName("test").setMaster("local[*]")
    val sc = new SparkContext(sparkConf)
    val rdd = sc.makeRDD(List(("a", 88), ("b", 95), ("a", 91), ("b", 93), ("a", 95), ("b", 98)))
    val rdd2 = rdd.combineByKey(
      (_,1),
      (acc:(Int,Int),v)=>(acc._1 + v,acc._2+1),
      (acc1:(Int,Int),acc2:(Int,Int))=>(acc1._1+acc2._1,acc1._2+acc2._2)
    )
    rdd2.map{
      case(key,value)=>{
        (key,value._1/value._2.toDouble)
      }
    }.collect().foreach(println)
    sc.stop()
  }
}

25.sortByKey

函数签名

def sortByKey(ascending: Boolean = true,

numPartitions: Int = self.partitions.length) : RDD[(K, V)]

代码：


/**
 * sortByKey()按照K进行排序
 */
object sortByKeyTest{
  def main(args: Array[String]): Unit = {
    val sparkConf = new SparkConf().setAppName("test").setMaster("local[*]")
    val sc = new SparkContext(sparkConf)
    val rdd = sc.makeRDD(Array((3,"aa"),(6,"cc"),(2,"bb"),(1,"dd")))
    rdd.sortByKey(true).collect().foreach(println)
  }
}

26.join

函数签名 def join[W](other: RDD[(K, W)]): RDD[(K, (V, W))]

代码：


/**
 * join()连接 将相同key对应的多个value关联在一起
 */
object joinTest{
  def main(args: Array[String]): Unit = {
    val sparkConf = new SparkConf().setAppName("test").setMaster("local[*]")
    val sc = new SparkContext(sparkConf)
    val rdd:RDD[(Int,String)]= sc.makeRDD(Array((1, "a"), (2, "b"), (3, "c")))
    val rdd1: RDD[(Int, Int)] = sc.makeRDD(Array((1, 4), (2, 5), (4, 6)))
    rdd.join(rdd1).collect().foreach(println)
    sc.stop()
  }
}

27.cogroup

函数签名 def cogroup[W](other: RDD[(K, W)]): RDD[(K, (Iterable[V], Iterable[W]))]

代码：


/**
 * cogroup() 类似全连接，但是在同一个RDD中对key聚合
 */
object cogroupTest{
  def main(args: Array[String]): Unit = {
    val sparkConf = new SparkConf().setAppName("test").setMaster("local[*]")
    val sc = new SparkContext(sparkConf)
    val rdd:RDD[(Int,String)]= sc.makeRDD(Array((1, "a"), (2, "b"), (3, "c")))
    val rdd1: RDD[(Int, Int)] = sc.makeRDD(Array((1, 4), (2, 5), (3, 6)))
    rdd.cogroup(rdd1).collect().foreach(println)
    sc.stop()
  }
}

相关阅读:
Docker系列第02部分：Docker安装与启动
 Elasticsearch是如何通过倒排索引来查询数据的
 基于Nodejs的心理咨询微信小程序的设计和实现
 开源共建 | TIS整合数据同步工具ChunJun，携手完善开源生态
 Shell 之免交互编程(expect用法)
《心流》摘录与笔记
 缓存优化必备：掌握冷热分离和重排序的优化技巧
 进程的概念
 EPICS记录参考--sub-Array记录(subArray)
测试新人，如何快速上手一个陌生的系统！
原文地址：https://blog.csdn.net/m0_55834564/article/details/125456669