Spark RDD概念及常用算子创建过程
Spark RDD概念及常用算子创建过程
Spark RDD概念-1
简单的解释
RDD是将数据项拆分为多个分区的集合，存储在集群的工作节点上的内存中，并执行正确的操作
复杂的解释
1.RDD是用于数据转换的接口
2.RDD指向了存储在HDFS、Cassandra、HBase等、或缓存（内存、内存+磁盘、仅磁盘等），或在故障或缓存收回时重新计算其他RDD分区中的数据
Spark RDD概念-2
RDD是弹性分布式数据集（Resilient Distributed Datasets）
分布式数据集
1.RDD是只读的、分区记录的集合，每个分区分布在集群的不同节点上
2.RDD并不存储真正的数据，只是对数据和操作的描述
弹性
RDD默认存放在内存中，当内存不足，Spark自动将RDD写入磁盘
容错性
根据数据血统，可以自动从节点失败中恢复分区
RDD与DAG
两者是Spark提供的核心抽象
DAG（有向无环图）反映了RDD之间的依赖关系
RDD的特性
1.一系列的分区（分片）信息，每个任务处理一个分区
2.每个分区上都有compute函数，计算该分区中的数据
3.RDD之间有一系列的依赖
4.分区函数决定数据（key-value）分配至哪个分区
5.最佳位置列表，将计算任务分派到其所在处理数据块的存储位置
RDD编程流程
RDD分区
分区是RDD被拆分并发送到节点的不同块之一
1.我们拥有的分区越多，得到的并行性就越强
2.每个分区都是被分发到不同Worker Node的候选者
3.每个分区对应一个Task
RDD的操作
分为lazy与non-lazy两种
1.Transformation（lazy）：也称转换操作、转换算子
2.Actions（non-lazy）：立即执行，也称动作操作、动作算子
RDD转换算子
对于转换操作，RDD的所有转换都不会直接计算结果
1.仅记录作用于RDD上的操作
2.当遇到动作算子（Action）时才会进行真正计算
RDD的创建-1
打开IDEA
使用集合创建RDD
val rdd=sc.parallelize(List(1,2,3,4,5,6))
rdd.count
rdd.partitions.size
val rdd=sc.parallelize(List(1,2,3,4,5,6),5)
rdd.partitions.size
val rdd=sc.makeRDD(List(1,2,3,4,5,6))
//注意：1、Spark默认会根据集群的情况来设置分区的数量，也可以通过parallelize()第二参数来指定
//2、Spark会为每一个分区运行一个任务进行处理
RDD常用算子实例
object RDDDemo {
def main(args: Array[String]): Unit = {
val conf=new SparkConf().setMaster("local[3]").setAppName("rdddemo")
val sc=new SparkContext(conf)
val rdd1=sc.parallelize(List(1,2,3,4,5,6,7,8,9,9,2,6))
val rdd2=rdd1.distinct
//println("rdd1分区数："+rdd1.partitions.length)
//rdd2.collect.foreach(println)
// println("rdd2分区数："+rdd2.partitions.length)
val rdd3 = rdd1.distinct(2)
// println("rdd3分区数："+rdd3.partitions.length)
val u1=sc.parallelize(1 to 3)
val u2=sc.parallelize(3 to 4)
u1.union(u2).collect.foreach(println)
println("------------------------------")
(u1++u2).collect.foreach(println)
println("------------------------------")
u1.intersection(u2).collect.foreach(println)
println("------------------------------")
val j1=sc.parallelize(List("abe","abby","apple")).map(a=>(a,1))
val j2=sc.parallelize(List("apple","beatty","beatrice")).map(a=>(a,1))
j1.join(j2).collect.foreach(println)
println("------------------------------")
j1.leftOuterJoin(j2).collect.foreach(println)
println("------------------------------")
j1.rightOuterJoin(j2).collect.foreach(println)
}
}
map算子
object MapDemo {
def main(args: Array[String]): Unit = {
val conf=new SparkConf().setMaster("local[2]").setAppName("mapdemo")
val sc=new SparkContext(conf)
val rdd1=sc.makeRDD(1 to 9,3)
val rdd2=rdd1.map(_*2)
rdd2.collect.foreach(println)
println("-------------------------------------------")
val strRdd1=sc.parallelize(List("kb02","kb05","kb07","kb09","spark","study"))
val strRdd2=strRdd1.map(x=>(x,1))
strRdd2.collect.foreach(println)
println("---------------------------------------------")
val filterRdd1=sc.makeRDD(List(1,2,3,4,5,6,7,8,9,10),3)
val filterRdd2 = filterRdd1.filter(_%2==0)
filterRdd2.collect.foreach(println)
println("----------------------------------------------")
val mapValuesRdd1 = sc.parallelize(List("tiger","dog","cat","lion","eagle","panther"))
val mapValuesRdd2 = mapValuesRdd1.map(x=>(x.length,x))
mapValuesRdd2.collect.foreach(println)
// val mapValuesRdd3=mapPairesRdd2.mapValues(x=>"_"+x+"_")
// mapValuesRdd3.collect.foreach(println)
println("-----------------reduceByKey--------------")
val reduceByKeyRdd1 = mapValuesRdd2.reduceByKey((a,b)=>a+b)
reduceByKeyRdd1.collect.foreach(println)
println("------------------groupByKey-------------")
val groupByKeyRdd=mapValuesRdd2.groupByKey()
groupByKeyRdd.collect.foreach(println)
println("-----------------sortBYKeyRdd---------------")
val sortByKeyRdd=mapValuesRdd2.sortByKey(false)
sortByKeyRdd.collect.foreach(println)
}
}
reduce(binary_function)
reduce将RDD中元素前两个传给输入函数，产生一个新的return值，新产生的return值与RDD中下一个元素（第三个元素）组成两个元素，再被传给输入函数，直到最后只有一个值为止。
val c = sc.parallelize(1 to 10)
c.reduce((x, y) => x + y)//结果55
具体过程，RDD有1 2 3 4 5 6 7 8 9 10个元素，
1+2=3
3+3=6
6+4=10
10+5=15
15+6=21
21+7=28
28+8=36
36+9=45
45+10=55
reduceByKey(binary_function)
reduceByKey就是对元素为KV对的RDD中Key相同的元素的Value进行binary_function的reduce操作，因此，Key相同的多个元素的值被reduce为一个值，然后与原RDD中的Key组成一个新的KV对。
val a = sc.parallelize(List((1,2),(1,3),(3,4),(3,6)))
a.reduceByKey((x,y) => x + y).collect
1
2
//结果 Array((1,5), (3,10))
RDD的创建-2
通过加载文件产生RDD
val distFile=sc.textFile("file:///home/hadoop/data/hello.txt")
distFile.count
val distHDFSFile=sc.textFile("hdfs://hadoop001:9000/hello.txt")
加载“file://……”时，以local运行仅需一份本地文件，以Spark集群方式运行，应保证每个节点均有该文件的本地副本
object ActionRddDemo {
def main(args: Array[String]): Unit = {
val conf=new SparkConf().setMaster("local[1]").setAppName("actionrdddemo")
val sc = new SparkContext(conf)
val rdd1=sc.parallelize(1 to 100)
val sum=rdd1.reduce((x,y)=>{println(x,y);x+y})
println("总和："+sum)
//rdd1.saveAsTextFile("in/rdd1.txt")
rdd1.saveAsTextFile("hdfs://hadoop001:9000/kb09workspace/rdd1demodata")
}
}
RDD动作算子
1.本质上动作算子通过SparkContext执行提交作业操作，触发RDD DAG（有向无环图）的执行
2.所有的动作算子都是急迫型（non-lazy），RDD遇到Action就会立即计算
RDD常用动作算子
count
返回的是数据集中的元素的个数
val rdd=sc.parallelize(List(1,2,3,4,5,6))
rdd.count
collect
以Array返回RDD的所有元素。一般在过滤或者处理足够小的结果的时候使用
val rdd=sc.parallelize(List(1,2,3,4,5,6))
rdd.collect
take
返回前n个元素
val rdd=sc.parallelize(List(1,2,3,4,5,6))
rdd.take(3)
first
返回RDD第一个元素
val rdd=sc.parallelize(List(1,2,3,4,5,6))
rdd.first
reduce
根据指定函数，对RDD中的元素进行两两计算，返回计算结果
val a=sc.parallelize(1 to 100)
a.reduce((x,y)=>x+y)
a.reduce(_+_) //与上面等价
val b=sc.parallelize(Array(("A",0), ("A",2), ("B",1), ("B",2), ("C",1)))
b.reduce((x,y)=>{(x._1+y._1,x._2+y._2)}) //(AABBC,6)
foreach
对RDD中的每个元素都使用指定函数，无返回值
val rdd=sc.parallelize(1 to 100)
rdd.foreach(println)
lookup
用于PairRDD,返回K对应的所有V值
val rdd=sc.parallelize(List(('a',1), ('a',2), ('b',3), ('c',4)))
rdd.lookup('a') //输出WrappedArray(1, 2)
最值
返回最大值、最小值
val y=sc.parallelize(10 to 30)
y.max //求最大值
y.min //求最小值
saveAsTextFile
保存RDD数据至文件系统
val rdd=sc.parallelize(1 to 10,2)
rdd.saveAsTextFile("hdfs://hadoop000:8020/data/rddsave/")
上一篇： Spark RDD编程指南（官网翻译）
推荐阅读