本文详细介绍了Spark中的RDD用法，包括从内存、文件创建RDD，RDD的并行度与分区概念，以及map、mapPartitions、flatMap、glom、groupBy、filter、reduceByKey和join等转换算子的使用和特点。
RDD用法
1. 基础编程
1.1 RDD创建
- 在Spark中创建RDD的创建方式可以分为四种：
1.1.1 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()
1.1.2 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()
1.1.3 从其他RDD创建
- 主要是通过一个RDD运算完后，再产生新的RDD。
1.1.4 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。
2.2 RDD并行度与分区
2.2.1 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-d4X3lmpN-1655396045045)(assets/1650985766986.png)]
2.2.2 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-axu2Hxs9-1655396045047)(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() } }
-
3.3.8 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)] -
函数说明
可以将数据按照相同的Key对Value进行聚合
val dataRDD1 = sparkContext.makeRDD(List(("a",1),("b",2),("c",3)))
val dataRDD2 = dataRDD1.reduceByKey(_+_)
val dataRDD3 = dataRDD1.reduceByKey(_+_, 2)
- 小功能：WordCount
3.3.9 join
-
函数签名
def join[W](other: RDD[(K, W)]): RDD[(K, (V, W))] -
函数说明
- 在类型为(K,V)和(K,W)的RDD上调用，返回一个相同key对应的所有元素连接在一起的(K,(V,W))的RDD
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.join(rdd1).collect().foreach(println)
yKey(+, 2)
- 小功能：WordCount
### 3.3.9 join
- 函数签名
~~~ scala
def join[W](other: RDD[(K, W)]): RDD[(K, (V, W))]
-
函数说明
- 在类型为(K,V)和(K,W)的RDD上调用，返回一个相同key对应的所有元素连接在一起的(K,(V,W))的RDD
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.join(rdd1).collect().foreach(println)
扫一扫
4904
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
