ITPub博客
首页 博客 专栏 学院 社区 IT新媒体评选
发博

首页 > 大数据 > > SparkCore入门实战 （一）

SparkCore入门实战 （一）

作者：格伯纳 时间：2020-05-09 13:50:26 0 删除 编辑

一、RDD概述

1、什么是RDD

RDD（Resilient Distributed Dataset）叫做分布式数据集，是Spark中最基本的数据抽象。代码中是一个抽象类，它代表一个不可变、可分区、里面的元素可并行计算的集合。

2、RDD的属性

（1)一组分区（Partition），即数据集的基本组成单位;

（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;

（5)一个列表，存储存取每个Partition的优先位置（preferred location）


3、RDD特点

RDD表示只读的分区的数据集，对RDD进行改动，只能通过RDD的转换操作，由一个RDD得到一个新的RDD，新的RDD包含了从其他RDD衍生所必需的信息。RDDs之间存在依赖，RDD的执行是按照血缘关系延时计算的。如果血缘关系较长，可以通过持久化RDD来切断血缘关系。

（1）分区

RDD逻辑上是分区的，每个分区的数据是抽象存在的，计算的时候会通过一个compute函数得到每个分区的数据。如果RDD是通过已有的文件系统构建，则compute函数是读取指定文件系统中的数据，如果RDD是通过其他RDD转换而来，则compute函数是执行转换逻辑将其他RDD的数据进行转换。

（2）只读

如下图所示，RDD是只读的，要想改变RDD中的数据，只能在现有的RDD基础上创建新的RDD

由一个RDD转换到另一个RDD，可以通过丰富的操作算子实现，不再像MapReduce那样只能写map和reduce了，如下图所示。

RDD的操作算子包括两类，一类叫做transformations，它是用来将RDD进行转化，构建RDD的血缘关系；另一类叫做actions，它是用来触发RDD的计算，得到RDD的相关计算结果或者将RDD保存的文件系统中。下图是RDD所支持的操作算子列表。

（3） 依赖

RDDs通过操作算子进行转换，转换得到的新RDD包含了从其他RDDs衍生所必需的信息，RDDs之间维护着这种血缘关系，也称之为依赖。如下图所示，依赖包括两种，一种是窄依赖，RDDs之间分区是一一对应的，另一种是宽依赖，下游RDD的每个分区与上游RDD(也称之为父RDD)的每个分区都有关，是多对多的关系。

（4）缓存

如果在应用程序中多次使用同一个RDD，可以将该RDD缓存起来，该RDD只有在第一次计算的时候会根据血缘关系得到分区的数据，在后续其他地方用到该RDD的时候，会直接从缓存处取而不用再根据血缘关系计算，这样就加速后期的重用。如下图所示，RDD-1经过一系列的转换后得到RDD-n并保存到hdfs，RDD-1在这一过程中会有个中间结果，如果将其缓存到内存，那么在随后的RDD-1转换到RDD-m这一过程中，就不会计算其之前的RDD-0了

（5）CheckPoint

虽然RDD的血缘关系天然地可以实现容错，当RDD的某个分区数据失败或丢失，可以通过血缘关系重建。但是对于长时间迭代型应用来说，随着迭代的进行，RDDs之间的血缘关系会越来越长，一旦在后续迭代过程中出错，则需要通过非常长的血缘关系去重建，势必影响性能。为此，RDD支持checkpoint将数据保存到持久化的存储中，这样就可以切断之前的血缘关系，因为checkpoint后的RDD不需要知道它的父RDDs了，它可以从checkpoint处拿到数据。

二、SparkCore的RDD编程

1、编程模型

在Spark中，RDD被表示为对象，通过对象上的方法调用来对RDD进行转换。经过一系列的transformations定义RDD之后，就可以调用actions触发RDD的计算，action可以是向应用程序返回结果(count, collect等)，或者是向存储系统保存数据(saveAsTextFile等)。在Spark中，只有遇到action，才会执行RDD的计算(即延迟计算)，这样在运行时可以通过管道的方式传输多个转换。

要使用Spark，开发者需要编写一个Driver程序，它被提交到集群以调度运行Worker，如下图所示。Driver中定义了一个或多个RDD，并调用RDD上的action，Worker则执行RDD分区计算任务。


2、RDD的创建

在Spark中创建RDD的创建方式可以分为三种：从集合中创建RDD；从外部存储创建RDD；从其他RDD创建

（1）从集合中创建

从集合中创建RDD，Spark主要提供了两种函数：parallelize和makeRDD

方法一：

从内存中创建makeRDD，简单demo案例：

package com.study.bigdatabase

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

object Spark01_RDD {
  def main(args: Array[String]): Unit = {

    val config: SparkConf = new SparkConf().setMaster("local[*]").setAppName("WordCount")

    //创建Spark上下文对象
    val sc = new SparkContext(config)

    //创建RDD
    //（1）从内存中创建makeRDD
    val listRDD:RDD[Int] = sc.makeRDD(List(1, 2, 3, 4))

    listRDD.collect().foreach(println)

  }

}

运行程序，控制台打印出信息：

方法二：

从内存中创建 parallelize，简单demo案例：

package com.study.bigdatabase

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

object Spark01_RDD {
  def main(args: Array[String]): Unit = {

    val config: SparkConf = new SparkConf().setMaster("local[*]").setAppName("WordCount")

    //创建Spark上下文对象
    val sc = new SparkContext(config)

    //创建RDD
    //（1）从内存中创建makeRDD, 底层实现是parallelize
   // val listRDD:RDD[Int] = sc.makeRDD(List(1, 2, 3, 4))

    //(2)从内存中创建 parallelize
    val arrayRDD:RDD[Int]= sc.parallelize(Array(1, 2, 3, 4))

    arrayRDD.collect().foreach(println)

  }
}

运行程序，控制台打印出信息：

（2）由外部存储系统的数据集创建

从外部存储中创建，简单demo实现

package com.study.bigdatabase                                                         
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

object Spark01_RDD {
  def main(args: Array[String]): Unit = {

    val config: SparkConf = new SparkConf().setMaster("local[*]").setAppName("WordCount")

    //创建Spark上下文对象
    val sc = new SparkContext(config)

    //创建RDD
    //（1）从内存中创建makeRDD, 底层实现是parallelize
   // val listRDD:RDD[Int] = sc.makeRDD(List(1, 2, 3, 4))
 // val value:RDD[String] = sc.makeRDD(List("1", "2", "3", "4"))
    //(2)从内存中创建 parallelize
    val arrayRDD:RDD[Int]= sc.parallelize(Array(1, 2, 3, 4))


    //（3）从外部存储中创建
    //默认情况下，可以读取项目的路径，也可以读取其他的路径，如：HDFS
    //默认从文件z中读取d的数据都是字符串类型
    val fileRDD:RDD[String] = sc.textFile("in")

    fileRDD.collect().foreach(println)

  }
}

运行程序，控制台打印出信息

在本项目工程中让系统生成文件与数据，简单demo实现，如下

package com.study.bigdatabase                                                                   

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

object Spark01_RDD {
  def main(args: Array[String]): Unit = {

    val config: SparkConf = new SparkConf().setMaster("local[*]").setAppName("WordCount")

    //创建Spark上下文对象
    val sc = new SparkContext(config)

    //创建RDD
    //（1）从内存中创建makeRDD, 底层实现是parallelize
    val listRDD:RDD[Int] = sc.makeRDD(List(1, 2, 3, 4))
 // val value:RDD[String] = sc.makeRDD(List("1", "2", "3", "4"))
    //(2)从内存中创建 parallelize
   // val arrayRDD:RDD[Int]= sc.parallelize(Array(1, 2, 3, 4))


    //（3）从外部存储中创建
    //默认情况下，可以读取项目的路径，也可以读取其他的路径，如：HDFS
    //默认从文件z中读取d的数据都是字符串类型
   // val fileRDD:RDD[String] = sc.textFile("in")

   // fileRDD.collect().foreach(println)

    //将RDD的数据保存到文件中
    listRDD.saveAsTextFile("output")
  }
}

运行程序，控制台打印出信息：

项目工程查看

以上，是有4个分区，若设2个分区

package com.study.bigdatabase

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

object Spark01_RDD {
  def main(args: Array[String]): Unit = {

    val config: SparkConf = new SparkConf().setMaster("local[*]").setAppName("WordCount")

    //创建Spark上下文对象
    val sc = new SparkContext(config)

    //创建RDD
    //（1）从内存中创建makeRDD, 底层实现是parallelize
  //  val listRDD:RDD[Int] = sc.makeRDD(List(1, 2, 3, 4))
 // val value:RDD[String] = sc.makeRDD(List("1", "2", "3", "4"))
    //(2)从内存中创建 parallelize
   // val arrayRDD:RDD[Int]= sc.parallelize(Array(1, 2, 3, 4))


    //（3）从外部存储中创建
    //默认情况下，可以读取项目的路径，也可以读取其他的路径，如：HDFS
    //默认从文件z中读取d的数据都是字符串类型
    val fileRDD:RDD[String] = sc.textFile("in")

   // fileRDD.collect().foreach(println)

    //将RDD的数据保存到文件中

    fileRDD.saveAsTextFile("output")
  }
}

运行程序，控制台打印出信息后生成文件数据

若：使用自定义分区，可以这样操作

package com.study.bigdatabase

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

object Spark01_RDD {
  def main(args: Array[String]): Unit = {

    val config: SparkConf = new SparkConf().setMaster("local[*]").setAppName("WordCount")

    //创建Spark上下文对象
    val sc = new SparkContext(config)

    //创建RDD
    //（1）从内存中创建makeRDD, 底层实现是parallelize

    //使用自定义分区
       val listRDD:RDD[Int] = sc.makeRDD(List(1, 2, 3, 4),2)
 // val value:RDD[String] = sc.makeRDD(List("1", "2", "3", "4"))
    //(2)从内存中创建 parallelize
   // val arrayRDD:RDD[Int]= sc.parallelize(Array(1, 2, 3, 4))


    //（3）从外部存储中创建
    //默认情况下，可以读取项目的路径，也可以读取其他的路径，如：HDFS
    //默认从文件z中读取d的数据都是字符串类型
  //  val fileRDD:RDD[String] = sc.textFile("in")

   // fileRDD.collect().foreach(println)

    //将RDD的数据保存到文件中

    listRDD.saveAsTextFile("output")
  }
}

运行程序，控制台打印出信息后生成文件数据

还有另一种方式：也是自定义分区，由于该数据有5条，根据自己设置分去为2：

具体代码实现：

package com.study.bigdatabase

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

object Spark01_RDD {
  def main(args: Array[String]): Unit = {

    val config: SparkConf = new SparkConf().setMaster("local[*]").setAppName("WordCount")

    //创建Spark上下文对象
    val sc = new SparkContext(config)

    //创建RDD
    //（1）从内存中创建makeRDD, 底层实现是parallelize

    //使用自定义分区
    //   val listRDD:RDD[Int] = sc.makeRDD(List(1, 2, 3, 4),2)
 // val value:RDD[String] = sc.makeRDD(List("1", "2", "3", "4"))
    //(2)从内存中创建 parallelize
   // val arrayRDD:RDD[Int]= sc.parallelize(Array(1, 2, 3, 4))

    //（3）从外部存储中创建
    //默认情况下，可以读取项目的路径，也可以读取其他的路径，如：HDFS
    //默认从文件z中读取d的数据都是字符串类型
  val fileRDD:RDD[String] = sc.textFile("in",2)

   // fileRDD.collect().foreach(println)

    //将RDD的数据保存到文件中

    fileRDD.saveAsTextFile("output")
  }
}

运行程序，控制台打印出信息后生成文件数据

若文本数据这样编写，就会发现分区不同，比如：

分区形成，底层源码得知，可以想到公式5/2=2，余1，所以分区为：2、2、1，就有三个分区！

代码实现：

package com.study.bigdatabase

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

object Spark01_RDD {
  def main(args: Array[String]): Unit = {

    val config: SparkConf = new SparkConf().setMaster("local[*]").setAppName("WordCount")

    //创建Spark上下文对象
    val sc = new SparkContext(config)

    //创建RDD
    //（1）从内存中创建makeRDD, 底层实现是parallelize

    //使用自定义分区
    //   val listRDD:RDD[Int] = sc.makeRDD(List(1, 2, 3, 4),2)
 // val value:RDD[String] = sc.makeRDD(List("1", "2", "3", "4"))
    //(2)从内存中创建 parallelize
   // val arrayRDD:RDD[Int]= sc.parallelize(Array(1, 2, 3, 4))


    //（3）从外部存储中创建
    //默认情况下，可以读取项目的路径，也可以读取其他的路径，如：HDFS
    //默认从文件z中读取d的数据都是字符串类型
        //读取文件s时，传递的分区参数为最小分区数，d但是不一定时这个分区数，取决于hadoopdu'q读取文件时分片规则

  val fileRDD:RDD[String] = sc.textFile("in",2)

   // fileRDD.collect().foreach(println)

    //将RDD的数据保存到文件中

    fileRDD.saveAsTextFile("output")
  }
}

运行程序，控制台打印出信息后生成文件数据

三、RDD的转换（面试开发重点）

RDD整体上分为Value类型和Key-Value类型

Value类型

1、map(func)案例

作用：返回一个新的RDD，该RDD由每一个输入元素经过func函数转换后组成

需求：创建一个1-10数组的RDD，将所有元素*2形成新的RDD

代码实现：

package com.study.bigdatabase                                                                 

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

object Spark02_RDD {
  def main(args: Array[String]): Unit = {

    val config: SparkConf = new SparkConf().setMaster("local[*]").setAppName("WordCount")

    //创建Spark上下文对象
    val sc = new SparkContext(config)

    //map算子
    val listRDD:RDD[Int] = sc.makeRDD(1 to 10)

    val mapRDD:RDD[Int] = listRDD.map(x => x * 2)

     mapRDD.collect().foreach(println)
  }
}

运行程序，控制台打印出信息

2、mapPartitions(func) 案例

作用：类似于map，但独立地在RDD的每一个分片上运行，因此在类型为T的RDD上运行时，func的函数类型必须是Iterator[T] => Iterator[U]。假设有N个元素，有M个分区，那么map的函数的将被调用N次,而mapPartitions被调用M次,一个函数一次处理所有分区。

需求：创建一个RDD，使每个元素*2组成新的RDD

具体代码实现：

package com.study.bigdatabase

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

object Spark02_RDD_Open2 {
  def main(args: Array[String]): Unit = {

    val config: SparkConf = new SparkConf().setMaster("local[*]").setAppName("WordCount")

    //创建Spark上下文对象
    val sc = new SparkContext(config)

    //map算子
    val listRDD:RDD[Int] = sc.makeRDD(1 to 10)

    //mapPartitions可以对一个RDD所有分配进行遍历
    //mapPartitions效率优于map算子，减少了发送到执行执行器执行交互次数
    //mapPartitions可能会出现内存溢出（O0M）
    val mapPartitionsRDD:RDD[Int] = listRDD.mapPartitions(datas=>{
      datas.map(datas=>datas*2)
    })

    mapPartitionsRDD.collect().foreach(println)
  }
}

运行程序，控制台打印出信息


3、mapPartitionsWithIndex(func) 案例

作用：类似于mapPartitions，但func带有一个整数参数表示分片的索引值，因此在类型为T的RDD上运行时，func的函数类型必须是(Int, Interator[T]) => Iterator[U]；

需求：创建一个RDD，使每个元素跟所在分区形成一个元组组成一个新的RDD

具体代码实现：

package com.study.bigdatabase

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

object Spark02_RDD_Open3 {
  def main(args: Array[String]): Unit = {

    val config: SparkConf = new SparkConf().setMaster("local[*]").setAppName("WordCount")

    //创建Spark上下文对象
    val sc = new SparkContext(config)

    //map算子
    val listRDD: RDD[Int] = sc.makeRDD(1 to 10)

    val tulpRDD: RDD[(Int,String)] = listRDD.mapPartitionsWithIndex {
      case (num, datas) => {
        datas.map((_, ",分区号，" + num))

    }
  }
  tulpRDD.collect().foreach(println)
}
}

运行程序，控制台打印出信息

当然也可以根据业务的需求，去设置计算分区：

 val listRDD: RDD[Int] = sc.makeRDD(1 to 10,2)

注意：

所有的算子的计算功能都是由Executor计算，代码如下：

package com.study.bigdatabase

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

object Spark02_RDD {
  def main(args: Array[String]): Unit = {

    val config: SparkConf = new SparkConf().setMaster("local[*]").setAppName("WordCount")

    //创建Spark上下文对象
    val sc = new SparkContext(config)

    //算子
    val listRDD:RDD[Int] = sc.makeRDD(1 to 4)

    val i=10

    //所有的算子的计算功能都是由Executor计算
    val mapRDD:RDD[Int] = listRDD.map(_ *i)

    mapRDD.collect().foreach(println)
  }
}

运行程序，控制台打印出信息


4、flatMap(func) 案例

作用：类似于map，但是每一个输入元素可以被映射为0或多个输出元素（所以func应该返回一个序列，而不是单一元素）

需求：创建一个元素为1-5的RDD，运用flatMap创建一个新的RDD，新的RDD为原RDD的每个元素的2倍（2，4，6，8，10）

代码实现：

package com.study.bigdatabase

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

object Spark02_RDD_Open4 {
  def main(args: Array[String]): Unit = {

    val config: SparkConf = new SparkConf().setMaster("local[*]").setAppName("WordCount")

    //创建Spark上下文对象
    val sc = new SparkContext(config)

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

    //flatMap
    // 1,2,3,4
    val flatMapRDD: RDD[Int] = listRDD.flatMap(datas => datas)

    flatMapRDD.collect().foreach(println)
  }
}

运行程序，控制台打印出信息


5、map()和mapPartition()的区别

map()：每次处理一条数据。
mapPartition()：每次处理一个分区的数据，这个分区的数据处理完后，原RDD中分区的数据才能释放，可能导致OOM。
开发指导：当内存空间较大的时候建议使用mapPartition()，以提高处理效率。


6、glom案例

作用：将每一个分区形成一个数组，形成新的RDD类型时RDD[Array[T]]

需求：创建一个4个分区的RDD，并将每个分区的数据放到一个数组

具体代码实现：

package com.study.bigdatabase

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

object Spark02_RDD_Open5 {
  def main(args: Array[String]): Unit = {

    val config: SparkConf = new SparkConf().setMaster("local[*]").setAppName("WordCount")

    //创建Spark上下文对象
    val sc = new SparkContext(config)

   val listRDD:RDD[Int] = sc.makeRDD(List(1, 2, 3, 4, 5, 6, 7, 8), 3)

//    将一个分区的数据存放到一个数组中
    val glomRDD:RDD[Array[Int]] = listRDD.glom()

    glomRDD.collect().foreach(array=>{
      println(array.mkString(","))
    })
  }
}

运行程序，控制台打印出信息

7、 groupBy(func)案例

作用：分组，按照传入函数的返回值进行分组。将相同的key对应的值放入一个迭代器。

需求：创建一个RDD，按照元素模以2的值进行分组。

代码实现：

package com.study.bigdatabase

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

object Spark02_RDD_Open6 {
  def main(args: Array[String]): Unit = {

    val config: SparkConf = new SparkConf().setMaster("local[*]").setAppName("WordCount")

    //创建Spark上下文对象
    val sc = new SparkContext(config)

    //    生成数据，按照指定的规则进行分组
   val listRDD:RDD[Int] = sc.makeRDD(List(1, 2, 3, 4))

  var groupByRDD:RDD[(Int,Iterable[Int])] = listRDD.groupBy(i => i % 2)
   //  val filterRDD:RDD[Int] = listRDD.filter(x => x % 2 == 0)

    groupByRDD.collect().foreach(println)
  }
}

运行程序，控制台打印出信息


8、 filter(func) 案例

作用：过滤。返回一个新的RDD，该RDD由经过func函数计算后返回值为true的输入元素组成。

需求：创建一个RDD（由字符串组成），过滤出一个新RDD（包含”xiao”子串）

代码实现：

package com.study.bigdatabase

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

object Spark02_RDD_Open6 {
  def main(args: Array[String]): Unit = {

    val config: SparkConf = new SparkConf().setMaster("local[*]").setAppName("WordCount")

    //创建Spark上下文对象
    val sc = new SparkContext(config)

    //    生成数据，按照指定的规则进行过滤
   val listRDD:RDD[Int] = sc.makeRDD(List(1, 2, 3, 4))

 // var groupByRDD:RDD[(Int,Iterable[Int])] = listRDD.groupBy(i => i % 2)
    val filterRDD:RDD[Int] = listRDD.filter(x => x % 2 == )

    filterRDD.collect().foreach(println)
  }
}

运行程序，控制台打印出信息


9、 sample(withReplacement, fraction, seed) 案例

数量为fraction的数据，withReplacement表示是抽出的数据是否放回，true为有放回的抽样，false为无放回的抽样，seed用于指定随机数生成器种子。

需求：创建一个RDD（1-10），从中选择放回和不放回抽样

具体代码实现：

package com.study.bigdatabase

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

object Spark02_RDD_Open7 {
  def main(args: Array[String]): Unit = {

    val config: SparkConf = new SparkConf().setMaster("local[*]").setAppName("WordCount")

    //创建Spark上下文对象
    val sc = new SparkContext(config)

    //    生成数据，按照指定的规则进行过滤
   val listRDD:RDD[Int] = sc.makeRDD(1 to 10)
   //不重复抽取
  //  val sampleRDD:RDD[Int] = listRDD.sample(false, 0.7, 1)
    
    //重复抽取
    val sampleRDD:RDD[Int] = listRDD.sample(true, 4, 1)

    sampleRDD.collect().foreach(println)
  }
}

运行程序，控制台打印出信息

不放回抽样，具体代码实现：

package com.study.bigdatabase

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

object Spark02_RDD_Open7 {
  def main(args: Array[String]): Unit = {

    val config: SparkConf = new SparkConf().setMaster("local[*]").setAppName("WordCount")

    //创建Spark上下文对象
    val sc = new SparkContext(config)

    //    生成数据，按照指定的规则进行过滤
   val listRDD:RDD[Int] = sc.makeRDD(1 to 10)
   //不重复抽取
   val sampleRDD:RDD[Int] = listRDD.sample(false, .7, 1)

    //重复抽取
  // val sampleRDD:RDD[Int] = listRDD.sample(true, 4, 1)

    sampleRDD.collect().foreach(println)
  }
}

运行程序，控制台打印出信息


10、 distinct([numTasks])) 案例

作用：对源RDD进行去重后返回一个新的RDD。默认情况下，只有8个并行任务来操作，但是可以传入一个可选的numTasks参数改变它。

需求：创建一个RDD，使用distinct()对其去重。

具体代码实现：

package com.study.bigdatabase

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

object Spark02_RDD_Open8 {
  def main(args: Array[String]): Unit = {

    val config: SparkConf = new SparkConf().setMaster("local[*]").setAppName("WordCount")

    //创建Spark上下文对象
    val sc = new SparkContext(config)

     //从指定d的数据集合中进行抽样处理，根据不同算法进行抽样
     val listRDD:RDD[Int] = sc.makeRDD(List(1, 2, 1, 5, 2, 9, 6, 1))

    //无参数
   // val distinctRDD:RDD[Int] = listRDD.distinct()

    //带参
    //使用使用distinct算子对数据的去重，但是q去重后会导致数量的减少，所以可以改变mo默认的分区数量

    val distinctRDD:RDD[Int] = listRDD.distinct(2)

  //  distinctRDD.collect().foreach(println)
    distinctRDD.saveAsTextFile("output")
  }
}

启动程序，在项目生成文件与数据


11、 coalesce(numPartitions) 案例

作用：缩减分区数，用于大数据集过滤后，提高小数据集的执行效率。

需求：创建一个4个分区的RDD，对其缩减分区

代码实现：

package com.study.bigdatabase

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

object Spark02_RDD_Open9 {
  def main(args: Array[String]): Unit = {

    val config: SparkConf = new SparkConf().setMaster("local[*]").setAppName("WordCount")

    //创建Spark上下文对象
    val sc = new SparkContext(config)

    //缩减分区数:可以简单理解为合并分区
    val listRDD:RDD[Int] = sc.makeRDD(1 to 16, 4)

    println("缩减分区前="+listRDD.partitioner.size)

    val coalesceRDD:RDD[Int] = listRDD.coalesce(3)

    println("缩减分区后="+coalesceRDD.partitioner.size)

    coalesceRDD.saveAsTextFile("output")
  }
}

启动程序，在项目生成文件与数据


12、repartition(numPartitions) 案例

作用：根据分区数，重新通过网络随机洗牌所有数据。

需求：创建一个4个分区的RDD，对其重新分区

操作步骤：

（1）创建一个RDD

scala>  val rdd = sc.parallelize(1 to 16,4)
rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[] at parallelize at <console>:24

//查看数据
scala> rdd.collect
res0: Array[Int] = Array(1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16) 

//当我们分区设置为2，可以这样执行（对RDD重新分区）
scala> val rerdd = rdd.repartition(2)
rerdd: org.apache.spark.rdd.RDD[Int] = MapPartitionsRDD[4] at repartition at <console>:26

再次，查看得知（通过分区打乱了数字的顺序）

//未分区执行的命令：
scala> rdd.collect
res1: Array[Int] = Array(1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16)

//分区后，执行的命令：
scala> rerdd.collect
res2: Array[Int] = Array(1, 3, 5, 7, 9, 11, 13, 15, 2, 4, 6, 8, 10, 12, 14, 16) 

//查看分区的数组，执行命令如下：
scala> rerdd.glom.collect
res3: Array[Array[Int]] = Array(Array(1, 3, 5, 7, 9, 11, 13, 15), Array(2, 4, 6, 8, 10, 12, 14, 16))

在我们在执行分区后，可以访问WEB页面查看：http://hadoop105:4040/jobs

（2）查看RDD的分区数

scala> rdd.partitions.size
res4: Int = 4


13、coalesce和repartition的区别

coalesce重新分区，可以选择是否进行shuffle过程。由参数shuffle: Boolean = false/true决定。repartition实际上是调用的coalesce，默认是进行shuffle的，源码如下：
def repartition(numPartitions: Int)(implicit ord: Ordering[T] = null): RDD[T] = withScope {
    coalesce(numPartitions, shuffle = true)
  }


14、sortBy(func,[ascending], [numTasks]) 案例

作用；使用func先对数据进行处理，按照处理后的数据比较结果排序，默认为正序。

需求：创建一个RDD，按照不同的规则进行排序

（1）创建一个RDD

scala> val rdd = sc.parallelize(List(2,1,3,4))
rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[6] at parallelize at <console>:24

（2）按照自身大小排序（升序）

scala> rdd.sortBy(x => x).collect()
res5: Array[Int] = Array(1, 2, 3, 4)

降序排序

scala> rdd.sortBy(x => x,false).collect()
res6: Array[Int] = Array(4, 3, 2, 1)


15、双Value类型交互（union(otherDataset) 案例）

作用：对源RDD和参数RDD求并集后返回一个新的RDD

需求：创建两个RDD，求并集

（1）创建第一个RDD

scala>  val rdd1 = sc.parallelize(1 to 5)
rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[16] at parallelize at <console>:24

（2）创建第二个RDD

scala>  val rdd2 = sc.parallelize(5 to 10)
rdd2: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[17] at parallelize at <console>:24

（3）计算两个RDD的并集

scala>  val rdd3 = rdd1.union(rdd2)
rdd3: org.apache.spark.rdd.RDD[Int] = UnionRDD[18] at union at <console>:28

（4）打印并集结果

scala> rdd3.collect()
res8: Array[Int] = Array(1, 2, 3, 4, 5, 5, 6, 7, 8, 9, 10)


16、subtract (otherDataset) 案例

作用：计算差的一种函数，去除两个RDD中相同的元素，不同的RDD将保留下来

需求：创建两个RDD，求第一个RDD与第二个RDD的差集

（1）创建第一个RDD

scala> val rdd = sc.parallelize(3 to 8)
rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[19] at parallelize at <console>:24

（2）创建第二个RDD

scala> val rdd1 = sc.parallelize(1 to 5)
rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[20] at parallelize at <console>:24

（3）计算第一个RDD与第二个RDD的差集并打印

scala> rdd.subtract(rdd1).collect()
res9: Array[Int] = Array(6, 7, 8)


17、intersection(otherDataset) 案例

作用：对源RDD和参数RDD求交集后返回一个新的RDD

需求：创建两个RDD，求两个RDD的交集

（1）创建第一个RDD

scala>  val rdd1 = sc.parallelize(1 to 7)
rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[25] at parallelize at <console>:24

（2）创建第二个RDD

scala> val rdd2 = sc.parallelize(5 to 10)
rdd2: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[26] at parallelize at <console>:24

（3）计算两个RDD的交集

scala> val rdd3 = rdd1.intersection(rdd2)
rdd3: org.apache.spark.rdd.RDD[Int] = MapPartitionsRDD[32] at intersection at <console>:28

（4）打印计算结果

scala>  rdd3.collect()
res10: Array[Int] = Array(6, 7, 5)


18、cartesian(otherDataset) 案例

作用：笛卡尔积（尽量避免使用）

需求：创建两个RDD，计算两个RDD的笛卡尔积

（1）创建第一个RDD

scala> val rdd1 = sc.parallelize(1 to 3)
rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[33] at parallelize at <console>:24

（2）创建第二个RDD

scala>  val rdd2 = sc.parallelize(2 to 5)
rdd2: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[34] at parallelize at <console>:24

（3）计算两个RDD的笛卡尔积并打印

scala>  rdd1.cartesian(rdd2).collect()
res11: Array[(Int, Int)] = Array((1,2), (1,3), (1,4), (1,5), (2,2), (2,3), (2,4), (2,5), (3,2), (3,3), (3,4), (3,5))


19、zip(otherDataset)案例

作用：将两个RDD组合成Key/Value形式的RDD,这里默认两个RDD的partition数量以及元素数量都相同，否则会抛出异常。

需求：创建两个RDD，并将两个RDD组合到一起形成一个(k,v)RDD

（1）创建第一个RDD

scala>  val rdd1 = sc.parallelize(Array(1,2,3),3)
rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[36] at parallelize at <console>:24

（2）创建第二个RDD（与1分区数相同）

scala>  val rdd2 = sc.parallelize(Array("a","b","c"),3)
rdd2: org.apache.spark.rdd.RDD[String] = ParallelCollectionRDD[37] at parallelize at <console>:24

（3）第一个RDD组合第二个RDD并打印

scala>  rdd1.zip(rdd2).collect
res12: Array[(Int, String)] = Array((1,a), (2,b), (3,c))

当我们尝试改变一下RDD

scala>  val rdd2 = sc.parallelize(Array("a","b","c","d"),3)
rdd2: org.apache.spark.rdd.RDD[String] = ParallelCollectionRDD[39] at parallelize at <console>:24

执行后，再次查看会发现报错！

scala>  rdd1.zip(rdd2).collect

由于我们刚才是执行条命令多了一个类型，，而这个分区数也不同：如在一个数组中，4个字母才3个分区，所以导致错误！

scala>  val rdd2 = sc.parallelize(Array("a","b","c","d"),3)

还有另一种情况：当我们执行3个分区数：

scala>  val rdd2 = sc.parallelize(Array("a","b","c"),3)
rdd2: org.apache.spark.rdd.RDD[String] = ParallelCollectionRDD[41] at parallelize at <console>:24

后我们执行2个分区数：

scala>  val rdd2 = sc.parallelize(Array("a","b","c"),2)
rdd2: org.apache.spark.rdd.RDD[String] = ParallelCollectionRDD[42] at parallelize at <console>:24

再次查看

scala>  rdd1.zip(rdd2).collect
java.lang.IllegalArgumentException: Can't zip RDDs with unequal numbers of partitions: List(3, 2)
  at org.apache.spark.rdd.ZippedPartitionsBaseRDD.getPartitions(ZippedPartitionsRDD.scala:57)
  at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:252)
  at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:250)
  at scala.Option.getOrElse(Option.scala:121)
  at org.apache.spark.rdd.RDD.partitions(RDD.scala:250)
  at org.apache.spark.SparkContext.runJob(SparkContext.scala:1965)
  at org.apache.spark.rdd.RDD$$anonfun$collect$1.apply(RDD.scala:936)
  at org.apache.spark.rdd.RDDOperationScope$.withScope(RDDOperationScope.scala:151)
  at org.apache.spark.rdd.RDDOperationScope$.withScope(RDDOperationScope.scala:112)
  at org.apache.spark.rdd.RDD.withScope(RDD.scala:362)
  at org.apache.spark.rdd.RDD.collect(RDD.scala:935)
  ... 48 elided

//错误信息
 Can't zip RDDs with unequal numbers of partitions: List(3, 2)

是因为分区数不同，才导致报错！

总结一句：

（1）zip类型比较严格，分区数要相等
（2）每个分区的实际量要相等

20、Key-Value类型—partitionBy案例

作用：对pairRDD进行分区操作，如果原有的partionRDD和现有的partionRDD是一致的话就不进行分区， 否则会生成ShuffleRDD，即会产生shuffle过程。

需求：创建一个4个分区的RDD，对其重新分区

（1）创建一个RDD

scala> val rdd = sc.parallelize(Array((1,"aaa"),(2,"bbb"),(3,"ccc"),(4,"ddd")),4)
rdd: org.apache.spark.rdd.RDD[(Int, String)] = ParallelCollectionRDD[44] at parallelize at <console>:24

（2）查看RDD的分区数

scala> rdd.partitions.size
res15: Int = 4

（3）对RDD重新分区

scala> var rdd2 = rdd.partitionBy(new org.apache.spark.HashPartitioner(2))
rdd2: org.apache.spark.rdd.RDD[(Int, String)] = ShuffledRDD[45] at partitionBy at <console>:26

（4）查看新RDD的分区数

scala>  rdd2.partitions.size
res16: Int = 2

（5）打印出来的数据

scala> rdd2.collect
res17: Array[(Int, String)] = Array((2,bbb), (4,ddd), (1,aaa), (3,ccc))

数组

scala> rdd2.glom.collect
res18: Array[Array[(Int, String)]] = Array(Array((2,bbb), (4,ddd)), Array((1,aaa), (3,ccc)))

代码实现

package com.study.bigdatabase

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

//自定义分区器
object Spark03_RDD_Open1 {
  def main(args: Array[String]): Unit = {

    val config: SparkConf = new SparkConf().setMaster("local[*]").setAppName("WordCount")

    //创建Spark上下文对象
    val sc = new SparkContext(config)

  //  val listRDD:RDD[Int] = sc.makeRDD(List(1, 2, 1, 5, 2, 9, 6, 1))
  val litstRDD = sc.makeRDD(List(("a", 1), ("b", 2), ("c", 3)))

    val partitionByRDD:RDD[(String,Int)] = litstRDD.partitionBy(new MyParitioner(3))

    partitionByRDD.saveAsTextFile("output")

   }
 }
   //声明分区器
  //继承Partitioner类
 class MyParitioner (partitions: Int) extends Partitioner{
     override def  numPartitions: Int ={
       partitions
     }
     override  def getPartition(key: Any): Int ={
       1
     }
   }

运行程序，项目工程生成文件数据：


21、groupByKey案例

作用：groupByKey也是对每个key进行操作，但只生成一个sequence。

需求：创建一个pairRDD，将相同key对应值聚合到一个sequence中，并计算相同key对应值的相加结果。

（1）创建一个pairRDD

scala> val words = Array("one", "two", "two", "three", "three", "three")
words: Array[String] = Array(one, two, two, three, three, three)

scala>  val wordPairsRDD = sc.parallelize(words).map(word => (word, 1))
wordPairsRDD: org.apache.spark.rdd.RDD[(String, Int)] = MapPartitionsRDD[48] at map at <console>:26

（2）将相同key对应值聚合到一个sequence中

scala>  val group = wordPairsRDD.groupByKey()
group: org.apache.spark.rdd.RDD[(String, Iterable[Int])] = ShuffledRDD[49] at groupByKey at <console>:28

（3）打印结果

scala> group.collect()
res19: Array[(String, Iterable[Int])] = Array((two,CompactBuffer(1, 1)), (one,CompactBuffer(1)), (three,CompactBuffer(1, 1, 1)))

（4）计算相同key对应值的相加结果

scala>  group.map(t => (t._1, t._2.sum))
res20: org.apache.spark.rdd.RDD[(String, Int)] = MapPartitionsRDD[50] at map at <console>:31

（5）打印结果

scala>  group.map(t => (t._1, t._2.sum)).collect
res23: Array[(String, Int)] = Array((two,2), (one,1), (three,3))

另一个情况，含义是一样：

scala> wordPairsRDD.reduceByKey(_+_).collect
res24: Array[(String, Int)] = Array((two,2), (one,1), (three,3))


22、 reduceByKey(func, [numTasks]) 案例

作用：在一个(K,V)的RDD上调用，返回一个(K,V)的RDD，使用指定的reduce函数，将相同key的值聚合到一起，reduce任务的个数可以通过第二个可选的参数来设置。

需求：创建一个pairRDD，计算相同key对应值的相加结果

（1）创建一个pairRDD

scala> val rdd = sc.parallelize(List(("female",1),("male",5),("female",5),("male",2)))
rdd: org.apache.spark.rdd.RDD[(String, Int)] = ParallelCollectionRDD[53] at parallelize at <console>:24

（2）计算相同key对应值的相加结果

scala> val reduce = rdd.reduceByKey((x,y) => x+y)
reduce: org.apache.spark.rdd.RDD[(String, Int)] = ShuffledRDD[54] at reduceByKey at <console>:26

（3）打印结果

scala>  reduce.collect()
res27: Array[(String, Int)] = Array((male,7), (female,6))


23、reduceByKey和groupByKey的区别

reduceByKey：按照key进行聚合，在shuffle之前有combine（预聚合）操作，返回结果是RDD[k,v].
groupByKey：按照key进行分组，直接进行shuffle
开发指导：reduceByKey比groupByKey，建议使用。但是需要注意是否会影响业务逻辑。


24、aggregateByKey案例

参数：(zeroValue:U,[partitioner: Partitioner]) (seqOp: (U, V) => U,combOp: (U, U) => U)


作用：在kv对的RDD中，，按key将value进行分组合并，合并时，将每个value和初始值作为seq函数的参数，进行计算，返回的结果作为一个新的kv对，然后再将结果按照key进行合并，最后将每个分组的value传递给combine函数进行计算（先将前两个value进行计算，将返回结果和下一个value传给combine函数，以此类推），将key与计算结果作为一个新的kv对输出。

参数描述：

（1）zeroValue：给每一个分区中的每一个key一个初始值；
（2）seqOp：函数用于在每一个分区中用初始值逐步迭代value；
（3）combOp：函数用于合并每个分区中的结果。

需求：创建一个pairRDD，取出每个分区相同key对应值的最大值，然后相加需求：创建一个pairRDD，取出每个分区相同key对应值的最大值，然后相加

操作步骤：

（1）创建一个pairRDD

scala>  val rdd = sc.parallelize(List(("a",3),("a",2),("c",4),("b",3),("c",6),("c",8)),2)
rdd: org.apache.spark.rdd.RDD[(String, Int)] = ParallelCollectionRDD[55] at parallelize at <console>:24

数组方式，查看打印的数据信息

scala> rdd.glom.collect
res28: Array[Array[(String, Int)]] = Array(Array((a,3), (a,2), (c,4)), Array((b,3), (c,6), (c,8)))

（2）取出每个分区相同key对应值的最大值，然后相加

scala> val agg = rdd.aggregateByKey()(math.max(_,_),_+_)
agg: org.apache.spark.rdd.RDD[(String, Int)] = ShuffledRDD[57] at aggregateByKey at <console>:26

（3）打印结果

scala> agg.collect()
res29: Array[(String, Int)] = Array((b,3), (a,3), (c,12))


25、foldByKey案例

参数：(zeroValue: V)(func: (V, V) => V): RDD[(K, V)]
作用：aggregateByKey的简化操作，seqop和combop相同

需求：创建一个pairRDD，计算相同key对应值的相加结果

（1）创建一个pairRDD

scala> val rdd = sc.parallelize(List((1,3),(1,2),(1,4),(2,3),(3,6),(3,8)),3)
rdd: org.apache.spark.rdd.RDD[(Int, Int)] = ParallelCollectionRDD[58] at parallelize at <console>:24

（2）计算相同key对应值的相加结果

scala>  val agg = rdd.foldByKey()(_+_)
agg: org.apache.spark.rdd.RDD[(Int, Int)] = ShuffledRDD[59] at foldByKey at <console>:26

（3）打印结果

scala> agg.collect()
res30: Array[(Int, Int)] = Array((3,14), (1,9), (2,3))


26、combineByKey[C] 案例

参数：(createCombiner: V => C, mergeValue: (C, V) => C, mergeCombiners: (C, C) => C)
作用：对相同K，把V合并成一个集合

参数描述：

（1）createCombiner: combineByKey() 会遍历分区中的所有元素，因此每个元素的键要么还没有遇到过，要么就和之前的某个元素的键相同。如果这是一个新的元素,combineByKey()会使用一个叫作createCombiner()的函数来创建那个键对应的累加器的初始值
（2）mergeValue: 如果这是一个在处理当前分区之前已经遇到的键，它会使用mergeValue()方法将该键的累加器对应的当前值与这个新的值进行合并
（3）mergeCombiners: 由于每个分区都是独立处理的， 因此对于同一个键可以有多个累加器。如果有两个或者更多的分区都有对应同一个键的累加器， 就需要使用用户提供的 mergeCombiners() 方法将各个分区的结果进行合并。

需求：创建一个pairRDD，根据key计算每种key的均值。（先计算每个key出现的次数以及可以对应值的总和，再相除得到结果）

（1）创建一个pairRDD

scala> val input = sc.parallelize(Array(("a", 88), ("b", 95), ("a", 91), ("b", 93), ("a", 95), ("b", 98)),2)

input: org.apache.spark.rdd.RDD[(String, Int)] = ParallelCollectionRDD[60] at parallelize at <console>:24

（2）将相同key对应的值相加，同时记录该key出现的次数，放入一个二元组

scala> val combine = input.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))

combine: org.apache.spark.rdd.RDD[(String, (Int, Int))] = ShuffledRDD[61] at combineByKey at <console>:26

（3）打印合并后的结果

scala>  combine.collect

res31: Array[(String, (Int, Int))] = Array((b,(286,3)), (a,(274,3)))

（4）计算平均值

scala> val result = combine.map{case (key,value) => (key,value._1/value._2.toDouble)}

result: org.apache.spark.rdd.RDD[(String, Double)] = MapPartitionsRDD[62] at map at <console>:28

（5）打印结果

scala> result.collect()

res32: Array[(String, Double)] = Array((b,95.33333333333333), (a,91.33333333333333))


27、sortByKey([ascending], [numTasks]) 案例

作用：在一个(K,V)的RDD上调用，K必须实现Ordered接口，返回一个按照key进行排序的(K,V)的RDD

需求：创建一个pairRDD，按照key的正序和倒序进行排序

（1）创建一个pairRDD

scala>  val rdd = sc.parallelize(Array((3,"aa"),(6,"cc"),(2,"bb"),(1,"dd")))

rdd: org.apache.spark.rdd.RDD[(Int, String)] = ParallelCollectionRDD[63] at parallelize at <console>:24

（2）按照key的正序

scala>  rdd.sortByKey(true).collect()
res37: Array[(Int, String)] = Array((1,dd), (2,bb), (3,aa), (6,cc))

（3）按照key的倒序

scala> rdd.sortByKey(false).collect()
res38: Array[(Int, String)] = Array((6,cc), (3,aa), (2,bb), (1,dd))


28、mapValues案例

针对于(K,V)形式的类型只对V进行操作

需求：创建一个pairRDD，并将value添加字符串"|||"

（1）创建一个pairRDD

scala>  val rdd3 = sc.parallelize(Array((1,"a"),(1,"d"),(2,"b"),(3,"c")))
rdd3: org.apache.spark.rdd.RDD[(Int, String)] = ParallelCollectionRDD[66] at parallelize at <console>:24

（2）对value添加字符串"|||"

scala> rdd3.mapValues(_+"|||").collect()
res39: Array[(Int, String)] = Array((1,a|||), (1,d|||), (2,b|||), (3,c|||))


29、join(otherDataset, [numTasks]) 案例

作用：在类型为(K,V)和(K,W)的RDD上调用，返回一个相同key对应的所有元素对在一起的(K,(V,W))的RDD

需求：创建两个pairRDD，并将key相同的数据聚合到一个元组

（1）创建第一个pairRDD

scala>  val rdd = sc.parallelize(Array((1,"a"),(2,"b"),(3,"c")))
rdd: org.apache.spark.rdd.RDD[(Int, String)] = ParallelCollectionRDD[68] at parallelize at <console>:24

（2）创建第二个pairRDD

scala> val rdd1 = sc.parallelize(Array((1,4),(2,5),(3,6)))
rdd1: org.apache.spark.rdd.RDD[(Int, Int)] = ParallelCollectionRDD[69] at parallelize at <console>:24

（3）join操作并打印结果

scala> rdd.join(rdd1).collect()
res40: Array[(Int, (String, Int))] = Array((1,(a,4)), (3,(c,6)), (2,(b,5)))


30、cogroup(otherDataset, [numTasks]) 案例

作用：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

需求：创建两个pairRDD，并将key相同的数据聚合到一个迭代器。

（1）创建第一个pairRDD

scala>  val rdd = sc.parallelize(Array((1,"a"),(2,"b"),(3,"c")))
rdd: org.apache.spark.rdd.RDD[(Int, String)] = ParallelCollectionRDD[73] at parallelize at <console>:24

（2）创建第二个pairRDD

scala>  val rdd1 = sc.parallelize(Array((1,4),(2,5),(3,6)))
rdd1: org.apache.spark.rdd.RDD[(Int, Int)] = ParallelCollectionRDD[74] at parallelize at <console>:24

（3）cogroup两个RDD并打印结果

scala>  rdd.cogroup(rdd1).collect()
res41: Array[(Int, (Iterable[String], Iterable[Int]))] = Array((1,(CompactBuffer(a),CompactBuffer(4))), (3,(CompactBuffer(c),CompactBuffer(6))), (2,(CompactBuffer(b),CompactBuffer(5))))


31、案例实操

（1）数据结构：时间戳，省份，城市，用户，广告，中间字段使用空格分割

（2）准备数据文件

样本如下：

需求：统计出每一个省份广告被点击次数的TOP3

代码实现过程：

package com.study.bigdatabase

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

object Practice {
  def main(args: Array[String]): Unit = {
    //初始化spark配置信息并建立与spark的连接
    val config: SparkConf = new SparkConf().setMaster("local[*]").setAppName("WordCount")

    //(1)创建Spark上下文对象
    val sc = new SparkContext(config)

    //(2)读取数据生成RDD：TS，Province，City，User，AD
    val line = sc.textFile("D:\\Hadoop\\Spark\\agent.log")

    //(3)按照最小粒度聚合：((Province,AD),1)
    val provinceAdToOne = line.map { x =>
      val fields: Array[String] = x.split(" ")
      ((fields(1), fields(4)), 1)
    }
    //(4)计算每个省中每个广告被点击的总数：((Province,AD),sum)
    val provinceAdToSum = provinceAdToOne.reduceByKey(_ + _)

    //(5)将省份作为key，广告加点击数为value：(Province,(AD,sum))
    val provinceToAdSum = provinceAdToSum.map(x => (x._1._1, (x._1._2, x._2)))

    //(6)将同一个省份的所有广告进行聚合(Province,List((AD1,sum1),(AD2,sum2)...))
    val provinceGroup = provinceToAdSum.groupByKey()

    //(7)对同一个省份所有广告的集合进行排序并取前3条，排序规则为广告点击总数
    val provinceAdTop3 = provinceGroup.mapValues { x =>
      x.toList.sortWith((x, y) => x._2 > y._2).take(3)
    }

    //(8)将数据拉取到Driver端并打印
    provinceAdTop3.collect().foreach(println)

    //(9)关闭与spark的连接
    sc.stop()
  }
}

运行程序，控制台打印信息：


33、reduce(func)案例

作用：通过func函数聚集RDD中的所有元素，先聚合分区内数据，再聚合分区间数据。

需求：创建一个RDD，将所有元素聚合得到结果。

（1）创建一个RDD[Int]

scala>  val rdd1 = sc.makeRDD(1 to 10,2)

rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[77] at makeRDD at <console>:24

（2）聚合RDD[Int]所有元素

scala> rdd1.reduce(_+_)

res42: Int = 55

（3）创建一个RDD[String]

scala> val rdd2 = sc.makeRDD(Array(("a",1),("a",3),("c",3),("d",5)))

rdd2: org.apache.spark.rdd.RDD[(String, Int)] = ParallelCollectionRDD[78] at makeRDD at <console>:24

（4）聚合RDD[String]所有数据

scala> rdd2.reduce((x,y)=>(x._1 + y._1,x._2 + y._2))
res43: (String, Int) = (aacd,12)


34、collect()案例

作用：在驱动程序中，以数组的形式返回数据集的所有元素。

需求：创建一个RDD，并将RDD内容收集到Driver端打印

（1）创建一个RDD

scala> val rdd = sc.parallelize(1 to 10)

rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[79] at parallelize at <console>:24

（2）将结果收集到Driver端

scala> rdd.collect

res44: Array[Int] = Array(1, 2, 3, 4, 5, 6, 7, 8, 9, 10)

35、count()案例

作用：返回RDD中元素的个数

需求：创建一个RDD，统计该RDD的条数

（1）创建一个RDD

scala>  val rdd = sc.parallelize(1 to 10)
rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[80] at parallelize at <console>:24

（2）统计该RDD的条数

 scala>  rdd.count
res45: Long = 10


36、first()案例

作用：返回RDD中的第一个元素

需求：创建一个RDD，返回该RDD中的第一个元素

（1）创建一个RDD

scala>  val rdd = sc.parallelize(1 to 10)
rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[82] at parallelize at <console>:24

（2）统计该RDD的条数

scala>  rdd.first
res48: Int = 1


37、take(n)案例

作用：返回一个由RDD的前n个元素组成的数组

需求：创建一个RDD，统计该RDD的条数

（1）创建一个RDD

scala> val rdd = sc.parallelize(Array(2,5,4,6,8,3))
rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[81] at parallelize at <console>:24

（2）统计该RDD的条数

scala> rdd.take(3)
res47: Array[Int] = Array(2, 5, 4)


38、takeOrdered(n)案例

作用：返回该RDD排序后的前n个元素组成的数组

需求：创建一个RDD，统计该RDD的条数

（1）创建一个RDD

scala>  val rdd = sc.parallelize(Array(2,5,4,6,8,3))

rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[] at parallelize at <console>:24

（2）统计该RDD的条数

scala>  rdd.takeOrdered(3)
res0: Array[Int] = Array(2, 3, 4)


39、aggregate案例

参数：(zeroValue: U)(seqOp: (U, T) ⇒ U, combOp: (U, U) ⇒ U)

作用：aggregate函数将每个分区里面的元素通过seqOp和初始值进行聚合，然后用combine函数将每个分区的结果和初始值(zeroValue)进行combine操作。这个函数最终返回的类型不需要和RDD中元素类型一致。

需求：创建一个RDD，将所有元素相加得到结果

（1）创建一个RDD

scala>  var rdd1 = sc.makeRDD(1 to 10,2)

rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[2] at makeRDD at <console>:24

（2）将该RDD所有元素相加得到结果

cala> rdd.aggregate()(_+_,_+_)

res1: Int = 28

40、fold(num)(func)案例

作用：折叠操作，aggregate的简化操作，seqop和combop一样。

需求：创建一个RDD，将所有元素相加得到结果

（1）创建一个RDD

scala>  var rdd1 = sc.makeRDD(1 to 10,2)

rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[3] at makeRDD at <console>:24

（2）将该RDD所有元素相加得到结果

scala>  rdd.fold()(_+_)

res2: Int = 28


41、saveAsTextFile(path)

作用：将数据集的元素以textfile的形式保存到HDFS文件系统或者其他支持的文件系统，对于每个元素，Spark将会调用toString方法，将它装换为文件中的文本

代码实现：

package com.study.bigdatabase

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

object Spark03_RDD_Open1 {
  def main(args: Array[String]): Unit = {

    val config: SparkConf = new SparkConf().setMaster("local[*]").setAppName("WordCount")

    //创建Spark上下文对象
    val sc = new SparkContext(config)


   //去重
   val listRDD = sc.makeRDD(List(("a", 1), ("b", 2), ("c", 3)))

    listRDD.saveAsTextFile("output")
  }
}


42、saveAsSequenceFile(path)

作用：将数据集中的元素以Hadoop sequencefile的格式保存到指定的目录下，可以使HDFS或者其他Hadoop支持的文件系统。

代码实现：

package com.study.bigdatabase

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

object Spark03_RDD_Open1 {
  def main(args: Array[String]): Unit = {

    val config: SparkConf = new SparkConf().setMaster("local[*]").setAppName("WordCount")

    //创建Spark上下文对象
    val sc = new SparkContext(config)


   //去重
   val listRDD = sc.makeRDD(List(("a", 1), ("b", 2), ("c", 3)))

    listRDD. saveAsSequenceFile("output")
  }
}

运行程序，在工程生成文件数据


43、saveAsObjectFile(path)

作用：用于将RDD中的元素序列化成对象，存储到文件中。

代码实现：

package com.study.bigdatabase

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

object Spark03_RDD_Open1 {
  def main(args: Array[String]): Unit = {

    val config: SparkConf = new SparkConf().setMaster("local[*]").setAppName("WordCount")

    //创建Spark上下文对象
    val sc = new SparkContext(config)


   //去重
   val listRDD = sc.makeRDD(List(("a", 1), ("b", 2), ("c", 3)))

    listRDD. saveAsObjectFile("output1")
  }
}

启动程序，在工程生成文件数据


44、countByKey()案例

作用：针对(K,V)类型的RDD，返回一个(K,Int)的map，表示每一个key对应的元素个数。

需求：创建一个PairRDD，统计每种key的个数

（1）创建一个PairRDD

scala> val rdd = sc.parallelize(List((1,3),(1,2),(1,4),(2,3),(3,6),(3,8)),3)
rdd: org.apache.spark.rdd.RDD[(Int, Int)] = ParallelCollectionRDD[4] at parallelize at <console>:24

（2）统计每种key的个数

scala>  rdd.countByKey
res3: scala.collection.Map[Int,Long] = Map(3 -> 2, 1 -> 3, 2 -> 1)


45、foreach(func)案例

作用：在数据集的每一个元素上，运行函数func进行更新。

需求：创建一个RDD，对每个元素进行打印

（1）创建一个RDD

scala> var rdd = sc.makeRDD(1 to 5,2)

rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[7] at makeRDD at <console>:24

1

2

3

（2）对该RDD每个元素进行打印

scala>  rdd.foreach(println(_))

1
2
3
4
5


46、RDD中的函数传递

在实际开发中我们往往需要自己定义一些对于RDD的操作，那么此时需要主要的是，初始化工作是在Driver端进行的，而实际运行程序是在Executor端进行的，这就涉及到了跨进程通信，是需要序列化的。下面我们看几个例子：

代码演示：

package com.study.bigdatabase

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

object Spark04_RDD_Serializable {
  def main(args: Array[String]): Unit = {

    val config: SparkConf = new SparkConf().setMaster("local[*]").setAppName("WordCount")

    //创建Spark上下文对象
    val sc = new SparkContext(config)

    //2.创建一个RDD
    val rdd: RDD[String] = sc.parallelize(Array("hadoop", "spark", "hive", "atguigu"))

    //3.创建一个Search对象
    val search = new Search("h")

    //4.运用第一个过滤函数并打印结果
    val match1: RDD[String] = search.getMatch1(rdd)
    match1.collect().foreach(println)

    //释放资源
    sc.stop()
  }
}
class Search(query:String){

  //过滤出包含字符串的数据
  def isMatch(s: String): Boolean = {
    s.contains(query)
  }

  //过滤出包含字符串的RDD
  def getMatch1 (rdd: RDD[String]): RDD[String] = {
    rdd.filter(isMatch)
  }

  //过滤出包含字符串的RDD
  def getMatche2(rdd: RDD[String]): RDD[String] = {
    rdd.filter(x => x.contains(query))
  }
}

启动程序，发现错误信息

解决问题：需要继承java.io.Serializable

class Search(query:String) extends java.io.Serializable{

具体代码实现：

package com.study.bigdatabase

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

object Spark04_RDD_Serializable {
  def main(args: Array[String]): Unit = {

    val config: SparkConf = new SparkConf().setMaster("local[*]").setAppName("WordCount")

    //创建Spark上下文对象
    val sc = new SparkContext(config)

    //2.创建一个RDD
    val rdd: RDD[String] = sc.parallelize(Array("hadoop", "spark", "hive", "atguigu"))

    //3.创建一个Search对象
    val search = new Search("h")

    //4.运用第一个过滤函数并打印结果
    val match1: RDD[String] = search.getMatch1(rdd)
    match1.collect().foreach(println)

    //释放资源
    sc.stop()
  }
}
class Search(query:String) extends java.io.Serializable{

  //过滤出包含字符串的数据
  def isMatch(s: String): Boolean = {
    s.contains(query)
  }

  //过滤出包含字符串的RDD
  def getMatch1 (rdd: RDD[String]): RDD[String] = {
    rdd.filter(isMatch)
  }

  //过滤出包含字符串的RDD
  def getMatche2(rdd: RDD[String]): RDD[String] = {
    rdd.filter(x => x.contains(query))
  }
}

再次启动程序，运行，无错误：

在这个方法中所调用的方法isMatch()是定义在Search这个类中的，实际上调用的是this. isMatch()，this表示Search这个类的对象，程序在运行过程中需要将Search对象序列化以后传递到Executor端。



47、 RDD依赖关系

Lineage
RDD只支持粗粒度转换，即在大量记录上执行的单个操作。将创建RDD的一系列Lineage（血统）记录下来，以便恢复丢失的分区。RDD的Lineage会记录RDD的元数据信息和转换行为，当该RDD的部分分区数据丢失时，它可以根据这些信息来重新运算和恢复丢失的数据分区。

（1）读取一个HDFS文件并将其中内容映射成一个个元组

scala> val wordAndOne = sc.textFile("/fruit.tsv").flatMap(_.split("\t")).map((_,1))

wordAndOne: org.apache.spark.rdd.RDD[(String, Int)] = MapPartitionsRDD[22] at map at <console>:24

（2）统计每一种key对应的个数

scala> val wordAndCount = wordAndOne.reduceByKey(_+_)

wordAndCount: org.apache.spark.rdd.RDD[(String, Int)] = ShuffledRDD[23] at reduceByKey at <console>:26

（3）查看“wordAndOne”的Lineage

scala> wordAndOne.toDebugString

res5: String =
(2) MapPartitionsRDD[22] at map at <console>:24 []
 |  MapPartitionsRDD[21] at flatMap at <console>:24 []
 |  /fruit.tsv MapPartitionsRDD[20] at textFile at <console>:24 []
 |  /fruit.tsv HadoopRDD[19] at textFile at <console>:24 []

（4）查看“wordAndCount”的Lineage

scala> wordAndCount.toDebugString

res6: String =
(2) ShuffledRDD[23] at reduceByKey at <console>:26 []
 +-(2) MapPartitionsRDD[22] at map at <console>:24 []
    |  MapPartitionsRDD[21] at flatMap at <console>:24 []
    |  /fruit.tsv MapPartitionsRDD[20] at textFile at <console>:24 []
    |  /fruit.tsv HadoopRDD[19] at textFile at <console>:24 []

（5）查看“wordAndOne”的依赖类型

scala> wordAndOne.dependencies

res7: Seq[org.apache.spark.Dependency[_]] = List(org.apache.spark.OneToOneDependency@5d5db92b)

（6）查看“wordAndCount”的依赖类型

scala> wordAndCount.dependencies

res8: Seq[org.apache.spark.Dependency[_]] = List(org.apache.spark.ShuffleDependency@63f3e6a8)

注意：RDD和它依赖的父RDD（s）的关系有两种不同的类型，即窄依赖（narrow dependency）和宽依赖（wide dependency）。


48、窄依赖

窄依赖指的是每一个父RDD的Partition最多被子RDD的一个Partition使用,窄依赖我们形象的比喻为独生子女

宽依赖

宽依赖指的是多个子RDD的Partition会依赖同一个父RDD的Partition，会引起shuffle,总结：宽依赖我们形象的比喻为超生

DAG

DAG(Directed Acyclic Graph)叫做有向无环图，原始的RDD通过一系列的转换就就形成了DAG，根据RDD之间的依赖关系的不同将DAG划分成不同的Stage，对于窄依赖，partition的转换处理在Stage中完成计算。对于宽依赖，由于有Shuffle的存在，只能在parent RDD处理完成后，才能开始接下来的计算，因此宽依赖是划分Stage的依据。



49、任务划分（面试重点）

RDD任务切分中间分为：Application、Job、Stage和Task

（1）Application：初始化一个SparkContext即生成一个Application
（2）Job：一个Action算子就会生成一个Job
（3）Stage：根据RDD之间的依赖关系的不同将Job划分成不同的Stage，遇到一个宽依赖则划分一个Stage。
（4）Task：Stage是一个TaskSet，将Stage划分的结果发送到不同的Executor执行即为一个Task。
注意：Application->Job->Stage-> Task每一层都是1对n的关系。

WordCount运行规则图：



50、RDD缓存

RDD通过persist方法或cache方法可以将前面的计算结果缓存，默认情况下 persist() 会把数据以序列化的形式缓存在 JVM 的堆空间中。
但是并不是这两个方法被调用时立即缓存，而是触发后面的action时，该RDD将会被缓存在计算节点的内存中，并供后面重用。

通过查看源码发现cache最终也是调用了persist方法，默认的存储级别都是仅在内存存储一份，Spark的存储级别还有好多种，存储级别在object StorageLevel中定义的。

在存储级别的末尾加上“_2”来把持久化数据存为两份

缓存有可能丢失，或者存储存储于内存的数据由于内存不足而被删除，RDD的缓存容错机制保证了即使缓存丢失也能保证计算的正确执行。通过基于RDD的一系列转换，丢失的数据会被重算，由于RDD的各个Partition是相对独立的，因此只需要计算丢失的部分即可，并不需要重算全部Partition。

（1）创建一个RDD

scala> val rdd = sc.makeRDD(Array("atguigu"))
rdd: org.apache.spark.rdd.RDD[String] = ParallelCollectionRDD[9] at makeRDD at <console>:24

（2）将RDD转换为携带当前时间戳不做缓存

scala> val nocache = rdd.map(_.toString+System.currentTimeMillis)

nocache: org.apache.spark.rdd.RDD[String] = MapPartitionsRDD[10] at map at <console>:26

（3）多次打印结果

scala> nocache.collect
res2: Array[String] = Array(atguigu1581002048044)

scala> nocache.collect
res3: Array[String] = Array(atguigu1581002081636)

scala> nocache.collect
res4: Array[String] = Array(atguigu1581002086722)

（4）将RDD转换为携带当前时间戳并做缓存

scala> val cache =  rdd.map(_.toString+System.currentTimeMillis).cache

cache: org.apache.spark.rdd.RDD[String] = MapPartitionsRDD[11] at map at <console>:26

（5）多次打印做了缓存的结果

scala>  cache.collect
res5: Array[String] = Array(atguigu1581002175871)

scala>  cache.collect
res6: Array[String] = Array(atguigu1581002175871)

scala>  cache.collect
res7: Array[String] = Array(atguigu1581002175871)

示例代码：

package com.study.bigdatabase

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

/**
 * 检查点
 */
object Spark04_RDD_Cheakpoint {
  def main(args: Array[String]): Unit = {
    val config: SparkConf = new SparkConf().setMaster("local[*]").setAppName("WordCount")

    //创建Spark上下文对象
    val sc = new SparkContext(config)

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

    val mapRDD:RDD[(Int,Int)] = rdd.map((_, 1))
    val reduceRDD:RDD[(Int,Int)] = mapRDD.reduceByKey(_ + _)

    reduceRDD.foreach(println)

    //释放资源
    sc.stop()
  }
}
//class Search(query:String) extends java.io.Serializable{
class Search(query: String)extends java.io.Serializable{
  //过滤出包含字符串的数据
  def isMatch(s: String): Boolean = {
    s.contains(query)
  }

  //过滤出包含字符串的RDD
  def getMatch1 (rdd: RDD[String]): RDD[String] = {
    rdd.filter(isMatch)
  }

  //过滤出包含字符串的RDD
  def getMatche2(rdd: RDD[String]): RDD[String] = {
    val q = query
    rdd.filter(x => x.contains(q))
  }
}

运行程序，控制台打印信息：

若想查看血缘关系，添加一行代码即可：

 //   reduceRDD.foreach(println)
  println( reduceRDD.toDebugString)

再次运行程序，控制台打印信息：



51、RDD CheckPoint

Spark中对于数据的保存除了持久化操作之外，还提供了一种检查点的机制，检查点（本质是通过将RDD写入Disk做检查点）是为了通过lineage做容错的辅助，lineage过长会造成容错成本过高，这样就不如在中间阶段做检查点容错，如果之后有节点出现问题而丢失分区，从做检查点的RDD开始重做Lineage，就会减少开销。检查点通过将数据写入到HDFS文件系统实现了RDD的检查点功能。

为当前RDD设置检查点。该函数将会创建一个二进制的文件，并存储到checkpoint目录中，该目录是用SparkContext.setCheckpointDir()设置的。在checkpoint的过程中，该RDD的所有依赖于父RDD中的信息将全部被移除。对RDD进行checkpoint操作并不会马上被执行，必须执行Action操作才能触发。

案例实操：

（1）设置检查点

scala> sc.setCheckpointDir("hdfs://hadoop105:9000/checkpoint")

（2）创建一个RDD

scala>  val rdd = sc.parallelize(Array("atguigu"))

rdd: org.apache.spark.rdd.RDD[String] = ParallelCollectionRDD[12] at parallelize at <console>:24

（3）将RDD转换为携带当前时间戳并做checkpoint

scala> val ch = rdd.map(_+System.currentTimeMillis)
ch: org.apache.spark.rdd.RDD[String] = MapPartitionsRDD[13] at map at <console>:26

（4）多次打印结果

scala> ch.collect
res9: Array[String] = Array(atguigu1581004782514)

scala> ch.collect
res10: Array[String] = Array(atguigu1581004785626)

scala> ch.collect
res11: Array[String] = Array(atguigu1581004788896)

scala> ch.collect
res12: Array[String] = Array(atguigu1581004819002)

来自 “ ITPUB博客 ” ，链接：https://blog.itpub.net/31509949/viewspace-3160424/ ，如需转载，请注明出处，否则将追究法律责任。

0
0
上一篇： 数据治理一体化实践之体系化建模
下一篇： 一个简易的Elasticsearch动态同义词插件
请登录后发表评论 登录
全部评论
格伯纳
管理员

注册时间：2018-03-30

  • 博文量
    2383
  • 访问量
    984262

最新文章

支持我们 作者招募 用户协议 FAQ Contact Us

北京盛拓优讯信息技术有限公司. 版权所有  京ICP备16024965号-8 北京市公安局海淀分局网监中心备案编号：11010802021510 niuxiaotong@pcpop.com 17352615567 未成年人举报专区

广播电视节目制作经营许可证(京) 字第1234号 中国互联网协会会员

违法和不良信息举报电话:18101376593