Spark RDD详解与编程实践-优快云博客

本文深入探讨了Spark中的RDD（Resilient Distributed Dataset），包括其核心属性如分区列表、分区计算函数、依赖关系和首选位置。通过wordcount实例展示了RDD的使用，并详细介绍了RDD的创建、并行度与分区的设置，以及map、mapPartitions、flatMap、glom、groupBy等转换算子的运用。此外，还对比了map和mapPartitions在性能和功能上的差异。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

RDD用法

1. RDD概述

1.1 什么是RDD

RDD（Resilient Distributed Dataset）叫做弹性分布式数据集，是Spark中最基本的数据处理模型。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。
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。
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

1.2 核心属性

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-LyrdSbTB-1655395995529)(assets/1650981714219.png)]

1.2.1 概述

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ox8AWUAK-1655395995530)(assets/1650981280679.png)]

1.2.2 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。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-y0cHpLrB-1655395995530)(assets/1650981426518.png)]

1.2.3 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

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-qlvPW8n5-1655395995531)(assets/1650981448318.png)]

1.2.4 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

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-XxXLNsqN-1655395995532)(assets/1650981472945.png)]

1.2.5 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

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-LJniYOr6-1655395995533)(assets/1650981483175.png)]

1.2.6 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，移动数据不如移动程序

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-lzN4i57M-1655395995534)(assets/1650981496012.png)]

2. wordcount实例分析

2.1 概述

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-s4YzNESm-1655395995535)(assets/1650981714219.png)]

2.2 代码实现

package com.gec.demo
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

object Spark_WordCount {

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

    //TODO 0.env/创建环境
    val conf: SparkConf = new SparkConf().setAppName("wordcount").setMaster("local[*]")
    val sc: SparkContext = new SparkContext(conf)

    val lines: RDD[String] = sc.textFile("data/word.txt")

    val words: RDD[String] = lines.flatMap(_.split(" "))

    val wordToOne: RDD[(String, Int)] = words.map((_,1))

    val result: RDD[(String, Int)] = wordToOne.reduceByKey(_+_)
    // 将统计结果打印在控制台上
    result.collect().foreach(println)
  }
}

3. 基础编程

3.1 RDD创建

在Spark中创建RDD的创建方式可以分为四种：

3.1.1 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

val sparkConf =new SparkConf().setMaster("local[*]").setAppName("spark")

val sparkContext = new SparkContext(sparkConf)

val rdd1 = sparkContext.parallelize(
  List(1,2,3,4)
)

val rdd2 = sparkContext.makeRDD(
  List(1,2,3,4)
)

rdd1.collect().foreach(println)
rdd2.collect().foreach(println)
sparkContext.stop()

3.1.2 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。

val sparkConf =new SparkConf().setMaster("local[*]").setAppName("spark")
val sparkContext = new SparkContext(sparkConf)
val fileRDD: RDD[String] = sparkContext.textFile("input")
fileRDD.collect().foreach(println)
sparkContext.stop()

3.1.3 从其他RDD创建

主要是通过一个RDD运算完后，再产生新的RDD。

3.1.4 直接创建RDD

使用new的方式直接构造RDD，一般由Spark框架自身使用。

3.2 RDD并行度与分区

3.2.1 概述

默认情况下，Spark可以将一个作业切分多个任务后，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。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-RLtVBJBn-1655395995536)(assets/1650985766986.png)]

3.2.2 分区

 val conf = new SparkConf().setMaster("local[*]").setAppName("RDD")
        conf.set("spark.default.parallelism", "4")
        val sc = new SparkContext(conf)

        // TODO 从内存中创建RDD - 分区

        // 1. 如果构建RDD时，没有指定数据处理分区的数量，那么会使用默认分区数量
        // makeRDD方法存在第二个参数，这个参数表示分区数量numSlices（存在默认值）
        // scheduler.conf.getInt("spark.default.parallelism", totalCores)
        // totalCores : 当前Master环境的总（虚拟）核数
        // 分区设置的优先级 ： 方法参数 > 配置参数 > 环境配置

        // kafka生产者分区策略
        // 【1，3,5】【2，4】 : 轮询
        // 【1，2, 3】【5，4】 ：范围
        // 【1，2】【3，4】【5】 ：范围
        // Spark分区策略
        // 【1，2】【3，4，5】 ：范围
        // 【1】【2，3】【4，5】：范围
        val rdd1 : RDD[Int] = sc.makeRDD(
            Seq(1,2,3,4,5), 3
        )

        // saveAsTextFile方法可以生成分区文件
        rdd1.saveAsTextFile("output")


        sc.stop()

3.3 RDD转换算子

3.3.1 概述

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

3.3.2 map方法

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。

用法

package com.gec.bigdata.spark.rdd.operator.transform

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

object Spark01_RDD_Oper_Transform {

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

        val conf = new SparkConf().setMaster("local[*]").setAppName("RDD")
        val sc = new SparkContext(conf)

        // TODO 算子 - 转换 - map
        val rdd = sc.makeRDD(List(1,2,3,4))

        // map算子表示将数据源中的每一条数据进行处理
        // map算子的参数是函数类型： Int => U(不确定)
        def mapFunction( num : Int ): Int = {
            num * 2
        }

        // A => B
        //val rdd1: RDD[Int] = rdd.map(mapFunction)
        val rdd1: RDD[Int] = rdd.map(_ * 2)

        rdd1.collect().foreach(println)


        sc.stop()

    }
}

3.3.3 mapPartitions方法

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。

package com.atguigu.bigdata.spark.rdd.operator.transform

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

object Spark02_RDD_Oper_Transform {

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

        val conf = new SparkConf().setMaster("local[*]").setAppName("RDD")
        val sc = new SparkContext(conf)

        // TODO 算子 - 转换 -
        val rdd = sc.makeRDD(List(1,2,3,4), 2)

        val rdd1 = rdd.mapPartitions(
            list => {
                println("*********************")
                list.map(_*2)
            }
        )

        rdd1.collect().foreach(println)


        sc.stop()

    }
}

小功能：获取每个数据分区的最大值

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-MeqMlfuo-1655395995536)(assets/clip_image002.jpg)] 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

3.3.4 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

package com.gec.demo
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

object Spark_WordCount {

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

    val conf = new SparkConf().setMaster("local[*]").setAppName("RDD")
    val sc = new SparkContext(conf)

    // TODO 算子 - 转换 - 扁平化
    val rdd = sc.makeRDD(
      List(
        "Hello Scala", "Hello Spark"
      )
    )
    val rdd1 = sc.makeRDD(
      List(
        List(1,2), List(3,4)
      )
    )

    // 整体 => 个体
    //val rdd2 = rdd.flatMap(_.split(" "))
    val rdd2 = rdd.flatMap(
      str => { // 整体（1）
        // 容器（个体（N））
        str.split(" ")
      }
    )

    val rdd3 = rdd1.flatMap(
      list => {
        list
      }
    )

    rdd2.collect().foreach(println)
    rdd3.collect().foreach(println)


    sc.stop()
  }
}

3.3.5 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

package com.gec.bigdata.spark.rdd.operator.transform

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

object Spark05_RDD_Oper_Transform {

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

        val conf = new SparkConf().setMaster("local[*]").setAppName("RDD")
        val sc = new SparkContext(conf)

        // TODO 算子 - 转换 - 扁平化
        val rdd : RDD[Int] = sc.makeRDD(List(1,2,3,4,5,6), 2)

        val rdd1: RDD[Array[Int]] = rdd.glom()

        rdd1.collect().foreach(a => println(a.mkString(",")))


        sc.stop()

    }
}

3.3.5 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

package com.gec.demo
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

object Spark_WordCount {

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

    val conf = new SparkConf().setMaster("local[*]").setAppName("RDD")
    val sc = new SparkContext(conf)

    // TODO 算子 - 转换
    val rdd : RDD[Int] = sc.makeRDD(List(1,2,3,4,5,6))

    // groupBy算子根据函数计算结果进行分组。
    // groupBy算子执行结果为KV数据类型
    //     k是为分组的标识， v就是同一个组的数据集合
    val rdd1: RDD[(Int, Iterable[Int])] = rdd.groupBy(_ % 2)
    //rdd1.mapValues()
    // 1 => 1
    // 2 => 0
    // 3 => 1
    // 4 => 0
    // 5 => 1
    // 6 => 0

    rdd1.collect.foreach(println)





    sc.stop()
  }
}

3.3.7 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。

package com.gec.bigdata.spark.rdd.operator.transform

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

object Spark07_RDD_Oper_Transform {

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

        val conf = new SparkConf().setMaster("local[*]").setAppName("RDD")
        val sc = new SparkContext(conf)

        // TODO 算子 - 转换
        val rdd : RDD[Int] = sc.makeRDD(List(1,2,3,4,5,6))

        // filter算子可以按照指定的规则对每一条数据进行筛选过滤
        // 数据处理结果为true，表示数据保留，如果为false，数据就丢弃
        val rdd1 = rdd.filter(
            num => num % 2 == 1
        )

        rdd1.collect.foreach(println)



        sc.stop()

    }
}

cal[*]").setAppName(“RDD”)
val sc = new SparkContext(conf)

        // TODO 算子 - 转换
        val rdd : RDD[Int] = sc.makeRDD(List(1,2,3,4,5,6))

        // filter算子可以按照指定的规则对每一条数据进行筛选过滤
        // 数据处理结果为true，表示数据保留，如果为false，数据就丢弃
        val rdd1 = rdd.filter(
            num => num % 2 == 1
        )

        rdd1.collect.foreach(println)



        sc.stop()

    }
}

~~~