Spark-算子-Active

reduce

  /**
   * 算出总价
   * 注意点：
   * 1. 函数中的curr参数，并不是value，而是一整条数据
   * 2. reduce 整体上的结果，只有一个
   */
  @Test
  def reduce(): Unit = {
    val tuple: (String, Double) = sc.parallelize(Seq(("手机", 10.0), ("手机", 15.0), ("电脑", 20.0)))
      .reduce((curr, agg) => ("总价", curr._2 + agg._2))
    println(tuple)
  }

foreach

  @Test
  def foeach(): Unit = {
    sc.parallelize(Seq(1, 3, 2, 4, 5, 7, 6))
      .foreach(println(_))
  }

countAndCountByKey

  /**
   * count 和 countByKey 的结果相差很远，每次调用Action 都会生成一个job，job会运行获取结果
   * 所以两个job 会有大量的log，其实就是在运行 job
   *
   * countByKey 的运算结果是 Map(电脑 -> 1, 手机 -> 2)
   * 数据倾斜，如果要解决数据倾斜的问题，是不是要先知道谁倾斜，通过countByKey可以查看对应数据的总数，从而解决数据倾斜的问题
   */
  @Test
  def countAndCountByKey(): Unit = {
    println(sc.parallelize(Seq(("手机", 10.0), ("手机", 15.0), ("电脑", 20.0)))
      .count())
    println("================================== ")
    println(sc.parallelize(Seq(("手机", 10.0), ("手机", 15.0), ("电脑", 20.0)))
      .countByKey())
  }

take

  /**
   * take 和 takeSample都是获取数据，一个是 直接获取，一个是采样获取
   * frist 一般情况下，action会从所有分区获取数据，相对来说速度就比较慢,
   * frist 只是获取第一个元素，所以frist只会处理第一个分区，所以速度很快，无序处理所有数据
   */
  @Test
  def take(): Unit = {
    val rdd: RDD[Int] = sc.parallelize(Seq(1, 2, 3, 4, 5, 6))
    rdd.take(3).foreach(println(_))
    println(rdd.first())
    rdd.takeSample(withReplacement = true, num = 3).foreach(println(_))
  }