常用transformation介绍

最新推荐文章于 2024-10-10 19:45:00 发布

原创最新推荐文章于 2024-10-10 19:45:00 发布 · 763 阅读

3 ·

CC 4.0 BY-SA版权

spark 专栏收录该内容

22 篇文章

订阅专栏

本文详细介绍了Spark中常见的Transformation操作，包括map、filter、flatMap、groupByKey、reduceByKey、sortByKey、join和cogroup。通过实例展示了如何使用这些操作对数据进行转换和处理，如元素映射、过滤、分组、归约、排序和连接。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

map

map：将RDD中的每个元素传入自定义函数，获取一个新的元素，然后用新的元素组成新的RDD。

案例：将集合中每一个元素都乘以2

java:

// 构造集合
List<Integer> numbers = Arrays.asList(1, 2, 3, 4, 5);

// 并行化集合，创建初始RDD
JavaRDD<Integer> numberRDD = sc.parallelize(numbers);

// 使用map算子，将集合中的每个元素都乘以2
// map算子，是对任何类型的RDD，都可以调用的
// 在java中，map算子接收的参数是Function对象
// 创建的Function对象，一定会让你设置第二个泛型参数，这个泛型类型，就是返回的新元素的类型
	// 同时call()方法的返回类型，也必须与第二个泛型类型同步
// 在call()方法内部，就可以对原始RDD中的每一个元素进行各种处理和计算，并返回一个新的元素
// 所有新的元素就会组成一个新的RDD
JavaRDD<Integer> multipleNumberRDD = numberRDD.map(

		new Function<Integer, Integer>() {

			private static final long serialVersionUID = 1L;

			// 传入call()方法的，就是1,2,3,4,5
			// 返回的就是2,4,6,8,10
			@Override
			public Integer call(Integer v1) throws Exception {
				return v1 * 2;
			}

		});

// 打印新的RDD
multipleNumberRDD.foreach(new VoidFunction<Integer>() {

	private static final long serialVersionUID = 1L;

	@Override
	public void call(Integer t) throws Exception {
		System.out.println(t);  
	}

});

scala:

val numbers = Array(1, 2, 3, 4, 5)
val numberRDD = sc.parallelize(numbers, 1)  
val multipleNumberRDD = numberRDD.map { num => num * 2 }  

multipleNumberRDD.foreach { num => println(num) }

filter

filter：对RDD中每个元素进行判断，如果返回true则保留，返回false则剔除。

案例：过滤集合中的偶数

java:

// 模拟集合
List<Integer> numbers = Arrays.asList(1, 2, 3, 4, 5, 6, 7, 8, 9, 10);

// 并行化集合，创建初始RDD
JavaRDD<Integer> numberRDD = sc.parallelize(numbers);

// 对初始RDD执行filter算子，过滤出其中的偶数
// filter算子，传入的也是Function，其他的使用注意点，实际上和map是一样的
// 但是，唯一的不同，就是call()方法的返回类型是Boolean
// 每一个初始RDD中的元素，都会传入call()方法，此时你可以执行各种自定义的计算逻辑
// 来判断这个元素是否是你想要的
// 如果你想在新的RDD中保留这个元素，那么就返回true；否则，不想保留这个元素，返回false
JavaRDD<Integer> evenNumberRDD = numberRDD.filter(

		new Function<Integer, Boolean>() {

			private static final long serialVersionUID = 1L;

			// 在这里，1到10，都会传入进来
			// 但是根据我们的逻辑，只有2,4,6,8,10这几个偶数，会返回true
			// 所以，只有偶数会保留下来，放在新的RDD中
			@Override
			public Boolean call(Integer v1) throws Exception {
				return v1 % 2 == 0;
			}

		});

// 打印新的RDD
evenNumberRDD.foreach(new VoidFunction<Integer>() {

	private static final long serialVersionUID = 1L;

	@Override
	public void call(Integer t) throws Exception {
		System.out.println(t);
	}

});

scala:

val numbers = Array(1, 2, 3, 4, 5, 6, 7, 8, 9, 10)
val numberRDD = sc.parallelize(numbers, 1)
val evenNumberRDD = numberRDD.filter { num => num % 2 == 0 }

evenNumberRDD.foreach { num => println(num) }

flatMap

flatMap：与map类似，但是对每个元素都可以返回一个或多个新元素。

案例：将文本行拆分为多个单词

// 构造集合
List<String> lineList = Arrays.asList("hello you", "hello me", "hello world");  

// 并行化集合，创建RDD
JavaRDD<String> lines = sc.parallelize(lineList);

// 对RDD执行flatMap算子，将每一行文本，拆分为多个单词
// flatMap算子，在java中，接收的参数是FlatMapFunction
// 我们需要自己定义FlatMapFunction的第二个泛型类型，即，代表了返回的新元素的类型
// call()方法，返回的类型，不是U，而是Iterable<U>，这里的U也与第二个泛型类型相同
// flatMap其实就是，接收原始RDD中的每个元素，并进行各种逻辑的计算和处理，返回可以返回多个元素
// 多个元素，即封装在Iterable集合中，可以使用ArrayList等集合
// 新的RDD中，即封装了所有的新元素；也就是说，新的RDD的大小一定是 >= 原始RDD的大小
JavaRDD<String> words = lines.flatMap(new FlatMapFunction<String, String>() {

	private static final long serialVersionUID = 1L;

	// 在这里会，比如，传入第一行，hello you
	// 返回的是一个Iterable<String>(hello, you)
	@Override
	public Iterable<String> call(String t) throws Exception {
		return Arrays.asList(t.split(" "));
	}

});

scala

val lineArray = Array("hello you", "hello me", "hello world")  
val lines = sc.parallelize(lineArray, 1)
val words = lines.flatMap { line => line.split(" ") }   

words.foreach { word => println(word) }

groupByKey

groupByKey：根据key进行分组，每个key对应一个Iterable。

案例：按照班级对成绩进行分组

java:

// 模拟集合
List<Tuple2<String, Integer>> scoreList = Arrays.asList(
		new Tuple2<String, Integer>("class1", 80),
		new Tuple2<String, Integer>("class2", 75),
		new Tuple2<String, Integer>("class1", 90),
		new Tuple2<String, Integer>("class2", 65));

// 并行化集合，创建JavaPairRDD
JavaPairRDD<String, Integer> scores = sc.parallelizePairs(scoreList);

// 针对scores RDD，执行groupByKey算子，对每个班级的成绩进行分组
// groupByKey算子，返回的还是JavaPairRDD
// 但是，JavaPairRDD的第一个泛型类型不变，第二个泛型类型变成Iterable这种集合类型
// 也就是说，按照了key进行分组，那么每个key可能都会有多个value，此时多个value聚合成了Iterable
// 那么接下来，我们是不是就可以通过groupedScores这种JavaPairRDD，很方便地处理某个分组内的数据
JavaPairRDD<String, Iterable<Integer>> groupedScores = scores.groupByKey();

// 打印groupedScores RDD
groupedScores.foreach(new VoidFunction<Tuple2<String,Iterable<Integer>>>() {

	private static final long serialVersionUID = 1L;

	@Override
	public void call(Tuple2<String, Iterable<Integer>> t)
			throws Exception {
		System.out.println("class: " + t._1);  
		Iterator<Integer> ite = t._2.iterator();
		while(ite.hasNext()) {
			System.out.println(ite.next());  
		}
		System.out.println("==============================");   
	}

});

scala

val scoreList = Array(Tuple2("class1", 80), Tuple2("class2", 75),
    Tuple2("class1", 90), Tuple2("class2", 60))
val scores = sc.parallelize(scoreList, 1)  
val groupedScores = scores.groupByKey() 

groupedScores.foreach(score => { 
  println(score._1); 
  score._2.foreach { singleScore => println(singleScore) };
  println("=============================")  
})

reduceByKey

reduceByKey：对每个key对应的value进行reduce操作。

案例：统计每个班级的总分

java:

		// 模拟集合
List<Tuple2<String, Integer>> scoreList = Arrays.asList(
		new Tuple2<String, Integer>("class1", 80),
		new Tuple2<String, Integer>("class2", 75),
		new Tuple2<String, Integer>("class1", 90),
		new Tuple2<String, Integer>("class2", 65));

// 并行化集合，创建JavaPairRDD
JavaPairRDD<String, Integer> scores = sc.parallelizePairs(scoreList);

// 针对scores RDD，执行reduceByKey算子
// reduceByKey，接收的参数是Function2类型，它有三个泛型参数，实际上代表了三个值
// 第一个泛型类型和第二个泛型类型，代表了原始RDD中的元素的value的类型
	// 因此对每个key进行reduce，都会依次将第一个、第二个value传入，将值再与第三个value传入
	// 因此此处，会自动定义两个泛型类型，代表call()方法的两个传入参数的类型
// 第三个泛型类型，代表了每次reduce操作返回的值的类型，默认也是与原始RDD的value类型相同的
// reduceByKey算法返回的RDD，还是JavaPairRDD<key, value>
JavaPairRDD<String, Integer> totalScores = scores.reduceByKey(

		new Function2<Integer, Integer, Integer>() {

			private static final long serialVersionUID = 1L;

			// 对每个key，都会将其value，依次传入call方法
			// 从而聚合出每个key对应的一个value
			// 然后，将每个key对应的一个value，组合成一个Tuple2，作为新RDD的元素
			@Override
			public Integer call(Integer v1, Integer v2) throws Exception {
				return v1 + v2;
			}

		});

// 打印totalScores RDD
totalScores.foreach(new VoidFunction<Tuple2<String,Integer>>() {

	private static final long serialVersionUID = 1L;

	@Override
	public void call(Tuple2<String, Integer> t) throws Exception {
		System.out.println(t._1 + ": " + t._2);   
	}

});

scala:

val scoreList = Array(Tuple2("class1", 80), Tuple2("class2", 75),
    Tuple2("class1", 90), Tuple2("class2", 60))
val scores = sc.parallelize(scoreList, 1)  
val totalScores = scores.reduceByKey(_ + _)  

totalScores.foreach(classScore => println(classScore._1 + ": " + classScore._2))

sortByKey

sortByKey：对每个key对应的value进行排序操作。

案例：按照学生分数进行排序

java:

		// 模拟集合
List<Tuple2<Integer, String>> scoreList = Arrays.asList(
		new Tuple2<Integer, String>(65, "leo"),
		new Tuple2<Integer, String>(50, "tom"),
		new Tuple2<Integer, String>(100, "marry"),
		new Tuple2<Integer, String>(80, "jack"));

// 并行化集合，创建RDD
JavaPairRDD<Integer, String> scores = sc.parallelizePairs(scoreList);

// 对scores RDD执行sortByKey算子
// sortByKey其实就是根据key进行排序，可以手动指定升序，或者降序
// 返回的，还是JavaPairRDD，其中的元素内容，都是和原始的RDD一模一样的
// 但是就是RDD中的元素的顺序，不同了
JavaPairRDD<Integer, String> sortedScores = scores.sortByKey(false);  

// 打印sortedScored RDD
sortedScores.foreach(new VoidFunction<Tuple2<Integer,String>>() {

	private static final long serialVersionUID = 1L;

	@Override
	public void call(Tuple2<Integer, String> t) throws Exception {
		System.out.println(t._1 + ": " + t._2);  
	}

});

scala

val scoreList = Array(Tuple2(65, "leo"), Tuple2(50, "tom"), 
    Tuple2(100, "marry"), Tuple2(85, "jack"))  
val scores = sc.parallelize(scoreList, 1)  
val sortedScores = scores.sortByKey(false)

sortedScores.foreach(studentScore => println(studentScore._1 + ": " + studentScore._2))

join

join:对两个包含<key,value>对的RDD进行join操作，每个key join上的pair，都会传入自定义函数进行处理。

案例：打印学生成绩

java:

		// 模拟集合
List<Tuple2<Integer, String>> studentList = Arrays.asList(
		new Tuple2<Integer, String>(1, "leo"),
		new Tuple2<Integer, String>(2, "jack"),
		new Tuple2<Integer, String>(3, "tom"));

List<Tuple2<Integer, Integer>> scoreList = Arrays.asList(
		new Tuple2<Integer, Integer>(1, 100),
		new Tuple2<Integer, Integer>(2, 90),
		new Tuple2<Integer, Integer>(3, 60));

// 并行化两个RDD
JavaPairRDD<Integer, String> students = sc.parallelizePairs(studentList);
JavaPairRDD<Integer, Integer> scores = sc.parallelizePairs(scoreList);

// 使用join算子关联两个RDD
// join以后，还是会根据key进行join，并返回JavaPairRDD
// 但是JavaPairRDD的第一个泛型类型，之前两个JavaPairRDD的key的类型，因为是通过key进行join的
// 第二个泛型类型，是Tuple2<v1, v2>的类型，Tuple2的两个泛型分别为原始RDD的value的类型
// join，就返回的RDD的每一个元素，就是通过key join上的一个pair
// 什么意思呢？比如有(1, 1) (1, 2) (1, 3)的一个RDD
	// 还有一个(1, 4) (2, 1) (2, 2)的一个RDD
	// join以后，实际上会得到(1 (1, 4)) (1, (2, 4)) (1, (3, 4))
JavaPairRDD<Integer, Tuple2<String, Integer>> studentScores = students.join(scores);

// 打印studnetScores RDD
studentScores.foreach(

		new VoidFunction<Tuple2<Integer,Tuple2<String,Integer>>>() {

			private static final long serialVersionUID = 1L;

			@Override
			public void call(Tuple2<Integer, Tuple2<String, Integer>> t)
					throws Exception {
				System.out.println("student id: " + t._1);  
				System.out.println("student name: " + t._2._1);  
				System.out.println("student score: " + t._2._2);
				System.out.println("===============================");   
			}
});

scala:

val studentList = Array( 
Tuple2(1, “leo”), 
Tuple2(2, “jack”), 
Tuple2(3, “tom”));

val scoreList = Array( 
Tuple2(1, 100), 
Tuple2(2, 90), 
Tuple2(3, 60));

val students = sc.parallelize(studentList);
val scores = sc.parallelize(scoreList);

val studentScores = students.join(scores)  

studentScores.foreach(studentScore => { 
  println("student id: " + studentScore._1);
  println("student name: " + studentScore._2._1)
  println("student socre: " + studentScore._2._2)  
  println("=======================================")  
})

cogroup

cogroup：同join，但是是每个key对应的Iterable都会传入自定义函数进行处理。

案例：打印学生成绩

java:

		// 模拟集合
List<Tuple2<Integer, String>> studentList = Arrays.asList(
		new Tuple2<Integer, String>(1, "leo"),
		new Tuple2<Integer, String>(2, "jack"),
		new Tuple2<Integer, String>(3, "tom"));

List<Tuple2<Integer, Integer>> scoreList = Arrays.asList(
		new Tuple2<Integer, Integer>(1, 100),
		new Tuple2<Integer, Integer>(2, 90),
		new Tuple2<Integer, Integer>(3, 60),
		new Tuple2<Integer, Integer>(1, 70),
		new Tuple2<Integer, Integer>(2, 80),
		new Tuple2<Integer, Integer>(3, 50));

// 并行化两个RDD
JavaPairRDD<Integer, String> students = sc.parallelizePairs(studentList);
JavaPairRDD<Integer, Integer> scores = sc.parallelizePairs(scoreList);

// cogroup与join不同
// 相当于是，一个key join上的所有value，都给放到一个Iterable里面去了 
// cogroup，不太好讲解，希望大家通过动手编写我们的案例，仔细体会其中的奥妙
JavaPairRDD<Integer, Tuple2<Iterable<String>, Iterable<Integer>>> studentScores = 
		students.cogroup(scores);

// 打印studnetScores RDD
studentScores.foreach(

		new VoidFunction<Tuple2<Integer,Tuple2<Iterable<String>,Iterable<Integer>>>>() {

			private static final long serialVersionUID = 1L;

			@Override
			public void call(
					Tuple2<Integer, Tuple2<Iterable<String>, Iterable<Integer>>> t)
					throws Exception {
				System.out.println("student id: " + t._1);  
				System.out.println("student name: " + t._2._1);  
				System.out.println("student score: " + t._2._2);
				System.out.println("===============================");   
			}

		});

scala

val studentList = Array( 
Tuple2(1, “leo”), 
Tuple2(2, “jack”), 
Tuple2(3, “tom”));

val scoreList = Array( 
Tuple2(1, 100), 
Tuple2(2, 90), 
Tuple2(3, 60));

val students = sc.parallelize(studentList);
val scores = sc.parallelize(scoreList);

val studentScores = students.cogroup(scores)  

studentScores.foreach(studentScore => { 
  println("student id: " + studentScore._1);
  println("student name: " + studentScore._2._1)
  println("student socre: " + studentScore._2._2)  
  println("=======================================")  
})