Spark转换算子大全以及案例实操
1.RDD 转换算子
RDD转换算子实际上就是换了名称的RDD方法
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
算子:Operator(操作)
- RDD的方法和Scala集合对象的方法不一样
- 集合对象的方法都是在同一个节点的内存中完成的
- RDD的方法可以将计算逻辑发送到Executor端(分布式节点)执行
- 为了区分不同的处理效果,所以将RDD的方法较为算子
- RDD的方法外部的操作都是在Driver端口执行的,而方法内部的逻辑代码实在Executor端执行的
Value 类型
就是123,单值的类型
map
- 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。
val dataRDD: RDD[Int] = sparkContext.makeRDD(List(1,2,3,4)) val dataRDD1: RDD[Int] = dataRDD.map(num => {num * 2} ) // 简写 val dataRDD1: RDD[Int] = dataRDD.map(_*2 ) val dataRDD2: RDD[String] = dataRDD1.map(num => {"" + num} )
小案例:从服务器日志数据 apache.log 中获取用户请求 URL 资源路径
def main(args: Array[String]): Unit = {val sparkConf = new SparkConf().setMaster("local[*]").setAppName("spark")val sparkContext = new SparkContext(sparkConf)val fileRDD: RDD[String] = sparkContext.textFile("datas/apache.log")// 长的字符串改成短的字符串val mapRDD:RDD[String] = fileRDD.map(line => {val datas = line.split(" ")datas(6)})mapRDD.collect().foreach(println)sparkContext.stop() }
RDD的计算一个分区内的数据是一个一个执行逻辑,只有前面一个数据全部逻辑执行完毕后,才会执行下一个数据,分区内数据是有序的
不同分区之间数据的执行是无序的,如果说分区1为1与3,分区2为2与4,那么就会把一个分区执行完才走下一个分区
>>>>>>>>>3 >>>>>>>>>1 #########3 #########1 >>>>>>>>>4 >>>>>>>>>2 #########4 #########2
def main(args: Array[String]): Unit = {val sparkConf = new SparkConf().setMaster("local[*]").setAppName("spark")val sparkContext = new SparkContext(sparkConf)// 如果分区为一,数据是一个一个执行的,如果为2,就会无序执行val dataRDD: RDD[Int] = sparkContext.makeRDD(List(1,2,3,4),2)val dataRDD1: RDD[Int] = dataRDD.map(num => {println(">>>>>>>>>" + num)num})val dataRDD2: RDD[Int] = dataRDD1.map(num => {println("#########" + num)num})dataRDD2.collect()sparkContext.stop()
}
mapPartitions
- 函数签名
def mapPartitions[U: ClassTag](f: Iterator[T] => Iterator[U],preservesPartitioning: Boolean = false): RDD[U]
- 函数说明:
存在一个数据缓冲区,将待处理的数据以分区为单位发送到计算节点(内存)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。但是会将整个分区的数据加载到内存中进行引用,因为存在对象的引用,所以处理完的数据是不会释放掉的,因此如果内存小且数据量大,容易出现内存溢出
有多少分区里面的代码就执行多少次,iter表示单个分区里面的全部数据
val dataRDD1: RDD[Int] = dataRDD.mapPartitions(iter => {iter.map(_ * 2)} )val dataRDD1: RDD[Int] = dataRDD.mapPartitions(iter => {iter.filter(_==2)} )
小案例:获取每个数据分区的最大值
def main(args: Array[String]): Unit = {val sparkConf = new SparkConf().setMaster("local[*]").setAppName("spark")val sparkContext = new SparkContext(sparkConf)val dataRDD: RDD[Int] = sparkContext.makeRDD(List(1, 2, 3, 4), 2)val dataRDD1: RDD[Int] = dataRDD.mapPartitions(iter => {List(iter.max).iterator})dataRDD1.collect().foreach(println)sparkContext.stop() }
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。
mapPartitionsWithIndex
- 函数签名
def mapPartitionsWithIndex[U: ClassTag](f: (Int, Iterator[T]) => Iterator[U],preservesPartitioning: Boolean = false): RDD[U]
- 函数说明
mapPartitions
不能手动指定分区,因此,这个方法就在参数增加了分区编号,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,在处理时同时可以获取当前分区索引。// 把每一个数据的分区号与数据都拿出来,默认看你计算机cpu核数 val dataRDD: RDD[Int] = sparkContext.makeRDD(List(1, 2, 3, 4)) val dataRDD1 = dataRDD.mapPartitionsWithIndex((index, iter) => {iter.map(num => {(index,num)})} )
小案例:获取第二个数据分区的数据
val dataRDD1: RDD[Int] = dataRDD.mapPartitionsWithIndex((index, iter) => {if (index == 1) {iter} else {Nil.iterator}} )
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
val dataRDD = sparkContext.makeRDD(List("hello scala","hello spark"),1)val dataRDD1 = dataRDD.flatMap(s => { s.split(" ")} )
小案例:将 List(List(1,2),3,List(4,5))进行扁平化操作
def main(args: Array[String]): Unit = {val sparkConf = new SparkConf().setMaster("local[*]").setAppName("spark")val sparkContext = new SparkContext(sparkConf)val dataRDD = sparkContext.makeRDD(List(List(1,2),3,List(4,5)),1)val dataRDD1 = dataRDD.flatMap(// 使用模式匹配,3不是集合就把3变成集合类型data => {data match{case list: List[_] => listcase something => List(something)}})dataRDD1.collect().foreach(println)sparkContext.stop() }
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集合进行处理,分区不变
val dataRDD = sparkContext.makeRDD(List(1,2,3,4),1)val dataRDD1:RDD[Array[Int]] = dataRDD.glom()
小案例:计算所有分区最大值求和(分区内取最大值,分区间最大值求和)
问题的关键就是将一个分区内的数据当成一个数组
def main(args: Array[String]): Unit = {val sparkConf = new SparkConf().setMaster("local[*]").setAppName("spark")val sparkContext = new SparkContext(sparkConf)val dataRDD = sparkContext.makeRDD(List(1, 2, 3, 4), 2)// 此时一个分区的数据,我们就将其变为了集合,一旦变成了集合,集合有大量的方法以供我们使用val glomRDD: RDD[Array[Int]] = dataRDD.glom()// 此时每个分区的最大值已经取出来了val MaxRDD:RDD[Int] = glomRDD.map(_.max)println(MaxRDD.collect().sum)sparkContext.stop() }
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,groupBy会将数据源中的每一个数据进行分组判断,根据返回的分组key进行分组,相同的key值的数据会放置在一个组中
分组与分区没有必然关系
def main(args: Array[String]): Unit = {// 根据奇偶进行分组val sparkConf = new SparkConf().setMaster("local[*]").setAppName("spark")val sparkContext = new SparkContext(sparkConf)val dataRDD = sparkContext.makeRDD(List(1, 2, 3, 4), 2)val groupRDD = dataRDD.groupBy(_ % 2)groupRDD.collect().foreach(println)sparkContext.stop() }
小案例:将 List(“Hello”, “hive”, “hbase”, “Hadoop”)根据单词首写字母进行分组。
def main(args: Array[String]): Unit = {// 根据首字母进行分组val sparkConf = new SparkConf().setMaster("local[*]").setAppName("spark")val sparkContext = new SparkContext(sparkConf)val dataRDD = sparkContext.makeRDD(List("Hello", "hive", "hbase", "Hadoop"), 2)val groupRDD = dataRDD.groupBy(_.charAt(0))groupRDD.collect().foreach(println)sparkContext.stop() }
小案例:从服务器日志数据 apache.log 中获取每个时间段访问量。
def main(args: Array[String]): Unit = {// 根据首字母进行分组val sparkConf = new SparkConf().setMaster("local[*]").setAppName("spark")val sparkContext = new SparkContext(sparkConf)val fileRDD: RDD[String] = sparkContext.textFile("datas/apache.log")val value = fileRDD.map(line => line.split(" ")(3).substring(11,13)).groupBy(word => word).map(kv => (kv._1, kv._2.size))value.collect().foreach(println)sparkContext.stop() }def main(args: Array[String]): Unit = {// 根据首字母进行分组val sparkConf = new SparkConf().setMaster("local[*]").setAppName("spark")val sparkContext = new SparkContext(sparkConf)val fileRDD: RDD[String] = sparkContext.textFile("datas/apache.log")val value = fileRDD.map(line => (line.split(" ")(3).substring(11,13),1)).groupBy(_._1).map(kv => (kv._1,kv._2.size))value.collect().foreach(println)sparkContext.stop() }
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
。val dataRDD = sparkContext.makeRDD(List(1,2,3,4),1) val dataRDD1 = dataRDD.filter(_%2 == 0)
sample
- 函数签名
def sample(withReplacement: Boolean,fraction: Double,seed: Long = Utils.random.nextLong): RDD[T]
- 函数说明
根据指定的规则从数据集中抽取数据
val dataRDD = sparkContext.makeRDD(List(1,2,3,4),1) // 抽取数据不放回(伯努利算法) // 伯努利算法:又叫 0、1 分布。例如扔硬币,要么正面,要么反面。 // 具体实现:根据种子和随机算法算出一个数和第二个参数设置几率比较,小于第二个参数要,大于不要 // 第一个参数:抽取的数据是否放回,false:不放回 // 第二个参数:抽取的几率,范围在[0,1]之间,0:全不取;1:全取; // 第三个参数:随机数种子 val dataRDD1 = dataRDD.sample(false, 0.5) // 抽取数据放回(泊松算法) // 第一个参数:抽取的数据是否放回,true:放回;false:不放回 // 第二个参数:重复数据的几率,范围大于等于 0.表示每一个元素被期望抽取到的次数 // 第三个参数:随机数种子 val dataRDD2 = dataRDD.sample(true, 2)如果第三个参数的随机数种子确定,那么随机就会被确定,不管执行多少次结果都一样
问题:这个有啥用,抽奖吗?
使用场景:数据倾斜的时候可以利用
distinct
- 函数签名
def distinct()(implicit ord: Ordering[T] = null): RDD[T] def distinct(numPartitions: Int)(implicit ord: Ordering[T] = null): RDD[T]
- 函数说明
将数据集中重复的数据去重
val dataRDD = sparkContext.makeRDD(List(1,2,3,4,1,2),1)val dataRDD1 = dataRDD.distinct() val dataRDD2 = dataRDD.distinct(2)
coalesce
- 函数签名
def coalesce(numPartitions: Int, shuffle: Boolean = false,partitionCoalescer: Option[PartitionCoalescer] = Option.empty) (implicit ord: Ordering[T] = null) : RDD[T]
- 函数说明
根据数据量缩减分区,用于大数据集过滤后,提高小数据集的执行效率 当 spark 程序中,存在过多的小任务的时候,可以通过 coalesce 方法,收缩合并分区,减少分区的个数,减小任务调度成本,第二个参数shuffle为true,就会重现打乱
val dataRDD = sparkContext.makeRDD(List(1,2,3,4,1,2),6) // 从6个分区缩小从2个分区 val dataRDD1 = dataRDD.coalesce(2)
**问题:**我想要扩大分区,怎么办?
val dataRDD = sparkContext.makeRDD(List(1,2,3,4,5,6),2) // 从6个分区缩小从2个分区,一定要使用shuffle设定为true,不然只是多了一个分区没数据,没有任何意义 val dataRDD1 = dataRDD.coalesce(3,true)
简化操作:缩小分区使用
coalesce
,分区就使用repartition
repartition
- 函数签名
def repartition(numPartitions: Int)(implicit ord: Ordering[T] = null): RDD[T]
- 函数说明
该操作内部其实执行的是 coalesce 操作,参数 shuffle 的默认值为 true。无论是将分区数多的 RDD 转换为分区数少的 RDD,还是将分区数少的 RDD 转换为分区数多的 RDD,repartition 操作都可以完成,因为无论如何都会经 shuffle 过程。
val dataRDD = sparkContext.makeRDD(List(1,2,3,4,1,2),2)val dataRDD1 = dataRDD.repartition(4)
**问题:**coalesce 和 repartition 区别?
无区别,缩小分区使用
coalesce
,分区就使用repartition
sortBy
- 函数签名
def sortBy[K](f: (T) => K,ascending: Boolean = true, // 默认清空下是true升序,改成false就是降序numPartitions: Int = this.partitions.length) (implicit ord: Ordering[K], ctag: ClassTag[K]): RDD[T]
- 函数说明
该操作用于排序数据。在排序之前,可以将数据通过 f 函数进行处理,之后按照 f 函数处理 的结果进行排序,默认为升序排列。排序后新产生的 RDD 的分区数与原 RDD 的分区数一 致。中间存在 shuffle 的过程
val dataRDD = sparkContext.makeRDD(List(1,2,3,4,1,2),2)val dataRDD1 = dataRDD.sortBy(num=>num, false, 4)
双 Value 类型
intersection
- 函数签名
def intersection(other: RDD[T]): RDD[T]
- 函数说明
对源 RDD 和参数 RDD 求交集后返回一个新的 RDD
val dataRDD1 = sparkContext.makeRDD(List(1,2,3,4)) val dataRDD2 = sparkContext.makeRDD(List(3,4,5,6)) val dataRDD = dataRDD1.intersection(dataRDD2)
**问题:**如果两个 RDD 数据类型不一致怎么办?
union
- 函数签名
def union(other: RDD[T]): RDD[T]
- 函数说明
对源 RDD 和参数 RDD 求并集后返回一个新的 RDD
val dataRDD1 = sparkContext.makeRDD(List(1,2,3,4)) val dataRDD2 = sparkContext.makeRDD(List(3,4,5,6)) val dataRDD = dataRDD1.union(dataRDD2)
**问题:**如果两个 RDD 数据类型不一致怎么办?
subtract
- 函数签名
def subtract(other: RDD[T]): RDD[T]
- 函数说明
以一个 RDD 元素为主,去除两个 RDD 中重复元素,将其他元素保留下来。求差集
val dataRDD1 = sparkContext.makeRDD(List(1,2,3,4)) val dataRDD2 = sparkContext.makeRDD(List(3,4,5,6)) val dataRDD = dataRDD1.subtract(dataRDD2)
**问题:**如果两个 RDD 数据类型不一致怎么办?
zip
- 函数签名
def zip[U: ClassTag](other: RDD[U]): RDD[(T, U)]
- 函数说明
将两个 RDD 中的元素,以键值对的形式进行合并。其中,键值对中的 Key 为第 1 个 RDD 中的元素,Value 为第 2 个 RDD 中的相同位置的元素。
val dataRDD1 = sparkContext.makeRDD(List(1,2,3,4)) val dataRDD2 = sparkContext.makeRDD(List(3,4,5,6)) val dataRDD = dataRDD1.zip(dataRDD2)打印输出 (1,3) (2,4) (3,5) (4,6)
问题:
如果两个 RDD 数据类型不一致怎么办?
如果两个 RDD 数据分区不一致怎么办?
如果两个 RDD 分区数据数量不一致怎么办?
解答:交集并集差集要求两边数据源必须一直保持一样
拉链时候两个数据源要求分区数量保持一致,每个分区的元素数量也要一致
Key-Value 类型
partitionBy
- 函数签名
def partitionBy(partitioner: Partitioner): RDD[(K, V)]
- 函数说明
将数据按照指定 Partitioner 重新进行分区。Spark 默认的分区器是 HashPartitioner
val rdd: RDD[(Int, String)] = sc.makeRDD(Array((1,"aaa"),(2,"bbb"),(3,"ccc")),3)import org.apache.spark.HashPartitionerval rdd2: RDD[(Int, String)] =rdd.partitionBy(new HashPartitioner(2))
问题:
- 如果重分区的分区器和当前 RDD 的分区器一样怎么办?
- Spark 还有其他分区器吗?
- 如果想按照自己的方法进行数据分区怎么办?
解答:
- 分区器一样的话,就会什么也不做
- 有
- 自己写一个分区器,查看HashPartitioner的源码,自己仿写
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
可以将相同的key的数据进行value数据的聚合操作,如果key只有一个,就不能进行两两运算,要求分区内与分区间计算规则相同
val dataRDD1 = sparkContext.makeRDD(List(("a",1),("a",2),("b",3))) // 第一个_代表第一个value值,第二个_代表第二个value值,算完之后的值依次往下与下一个计算 val dataRDD2 = dataRDD1.reduceByKey(_+_) val dataRDD3 = dataRDD1.reduceByKey(_+_,2)
groupByKey
- 函数签名
def groupByKey(): RDD[(K, Iterable[V])] def groupByKey(numPartitions: Int): RDD[(K, Iterable[V])] def groupByKey(partitioner: Partitioner): RDD[(K, Iterable[V])]
- 函数说明
将数据源的数据根据相同的key 对 value 进行分组,相同的key的数据分在一个组,形成一个元组,元组的第一个元素就是key,元组中的第二个元素就是相同key的value的集合
val dataRDD1 = sparkContext.makeRDD(List(("a",1),("b",2),("c",3))) val dataRDD2 = dataRDD1.groupByKey() val dataRDD3 = dataRDD1.groupByKey(2) val dataRDD4 = dataRDD1.groupByKey(new HashPartitioner(2))
思考一个问题:reduceByKey 和 groupByKey 的区别?
从 shuffle 的角度:reduceByKey 和 groupByKey 都存在 shuffle 的操作,但是 reduceByKey 可以在 shuffle 前对分区内相同 key 的数据进行预聚合(combine)功能,这样会减少落盘的数据量,而 groupByKey 只是进行分组,不存在数据量减少的问题,reduceByKey 性能比较高。
从功能的角度:reduceByKey 其实包含分组和聚合的功能。GroupByKey 只能分组,不能聚合,所以在分组聚合的场合下,推荐使用 reduceByKey,如果仅仅是分组而不需要聚合。那么还是只能使用 groupByKey
核心区别:reduceByKey会有一个预处理预聚合,聚合完成后,需要落盘的数据就大大减少
小案例:WordCount
aggregateByKey
- 函数签名
def aggregateByKey[U: ClassTag](zeroValue: U)(seqOp: (U, V) => U,combOp: (U, U) => U): RDD[(K, U)]
- 函数说明
将数据根据不同的规则进行分区内计算和分区间计算,分区内与分区间可以有不同的规则,最终返回数据结果与初始值的类型一致
val dataRDD1 = sparkContext.makeRDD(List(("a",1),("b",2),("c",3))) val dataRDD2 = dataRDD1.aggregateByKey(0)(_+_,_+_)
小案例:取出每个分区内相同 key 的最大值然后分区间相加
// TODO : 取出每个分区内相同 key 的最大值然后分区间相加 // aggregateByKey 算子是函数柯里化,存在两个参数列表 // 1. 第一个参数列表中的参数表示初始值,主要用于碰见第一个key的时候,和value进行分区内计算,提供两两比较的初始值 // 2. 第二个参数列表中含有两个参数 // 2.1 第一个参数表示分区内的计算规则 // 2.2 第二个参数表示分区间的计算规则 val rdd = sc.makeRDD(List(("a",1),("a",2),("c",3),("b",4),("c",5),("c",6)),2)val resultRDD = rdd.aggregateByKey(10)((x, y) => math.max(x,y),(x, y) => x + y ) resultRDD.collect().foreach(println)
小案例:计算相同key的数据的平均值 => (a , 3) (b , 4)
def main(args: Array[String]): Unit = {// 根据首字母进行分组val sparkConf = new SparkConf().setMaster("local[*]").setAppName("spark")val sparkContext = new SparkContext(sparkConf)// 第一个零是计算的初始值,第二个零是出现次数val resultRDD = rdd.aggregateByKey((0,0))(// 第一次的t为a.(0,0)去除key的初始值(0,0),v为第二个a,1去除key的1,依次往下计算(t,v) => {(t._1 + v,t._2 +1 )},// 因为是分区间,所以全是a的,第一次的t1为a,(3,2)去除a的(3,2),t2为a,(6,1)去除a的(6,1)(t1,t2) =>{(t1._1 + t2._1,t1._2 + t2._2)})resultRDD.collect().foreach(println)// key不变,只对value做改变resultRDD.mapValues {case (num, cnt) => {num / cnt}}.collect().foreach(println)sparkContext.stop() }
求平均值图解
思考一个问题:分区内计算规则和分区间计算规则相同怎么办?(WordCount)
val resultRDD = rdd.aggregateByKey(10)((x, y) => x + y,(x, y) => x + y )
或者使用下面的
foldByKey
foldByKey
- 函数签名
def foldByKey(zeroValue: V)(func: (V, V) => V): RDD[(K, V)]
- 函数说明
当分区内计算规则和分区间计算规则相同时,aggregateByKey 就可以简化为 foldByKey
val dataRDD1 = sparkContext.makeRDD(List(("a",1),("b",2),("c",3))) val dataRDD2 = dataRDD1.foldByKey(0)(_+_)
combineByKey
- 函数签名
def combineByKey[C](createCombiner: V => C, // 将相同key的第一个数据进行结构的转换,实现操作mergeValue: (C, V) => C, // 分区内的计算规则mergeCombiners: (C, C) => C // 分区间的计算规则 ): RDD[(K, C)]
- 函数说明
剔除了
aggregateByKey
中的初始值概念,最通用的对 key-value 型 rdd 进行聚集操作的聚集函数(aggregation function)。类似于 aggregate(),combineByKey()允许用户返回值的类型与输入不一致。小练习:将数据 List((“a”, 88), (“b”, 95), (“a”, 91), (“b”, 93), (“a”, 95), (“b”, 98))求每个 key 的平均值
val list: List[(String, Int)] = List(("a", 88), ("b", 95), ("a", 91), ("b", 93),("a", 95), ("b", 98)) val input: RDD[(String, Int)] = sc.makeRDD(list, 2) val combineRdd: RDD[(String, (Int, Int))] = input.combineByKey((_, 1),(acc: (Int, Int), v) => (acc._1 + v, acc._2 + 1),(acc1: (Int, Int), acc2: (Int, Int)) => (acc1._1 + acc2._1, acc1._2 + acc2._2) )
问题:reduceByKey、foldByKey、aggregateByKey、combineByKey 的区别?
reduceByKey:相同 key 的第一个数据不进行任何计算,分区内和分区间计算规则相同
FoldByKey:相同 key 的第一个数据和初始值进行分区内计算,分区内和分区间计算规则相同
AggregateByKey:相同 key 的第一个数据和初始值进行分区内计算,分区内和分区间计算规则可以不相同
CombineByKey:当计算时,发现数据结构不满足要求时,可以让第一个数据转换结构。分区内和分区间计算规则不相同。
小案例:计算相同key的数据的平均值 => (a , 3) (b , 4)
def main(args: Array[String]): Unit = {// 根据首字母进行分组val sparkConf = new SparkConf().setMaster("local[*]").setAppName("spark")val sparkContext = new SparkContext(sparkConf)val rdd = sparkContext.makeRDD(List(("a", 1), ("a", 2), ("b", 3), ("b", 4), ("b", 5),("a", 6)), 2)// 第一个零是计算的初始值,第二个零是出现次数val resultRDD = rdd.combineByKey(v => (v,1),(x : (Int,Int),y) =>{(x._1 + y,x._2 +1 )},(t1: (Int,Int),t2: (Int,Int)) => {(t1._1 + t2._1,t1._2+t2._2)})resultRDD.mapValues{case (num, cnt) => {num / cnt}}.collect().foreach(println)sparkContext.stop() }
sortByKey
- 函数签名
def sortByKey(ascending: Boolean = true, numPartitions: Int = self.partitions.length) : RDD[(K, V)]
- 函数说明
在一个( K , V )的 RDD 上调用,K 必须实现 Ordered 接口(特质),返回一个按照 key 进行排序的
val dataRDD1 = sparkContext.makeRDD(List(("a",1),("b",2),("c",3))) val sortRDD1: RDD[(String, Int)] = dataRDD1.sortByKey(true) val sortRDD1: RDD[(String, Int)] = dataRDD1.sortByKey(false)
小案例:设置 key 为自定义类 User
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
两个不同数据源的数据,相同的key的value会连接在一起,形成元组
如果两个数据源中key没有匹配上,那么数据不会出现在结果中
如果两个数据源中key有多个相同的,可能会依次匹配,出现笛卡尔积,数据呈现几何倍的增长
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)################# (1,(a,4)) (2,(b,5)) (3,(c,6))
leftOuterJoin
- 函数签名
def leftOuterJoin[W](other: RDD[(K, W)]): RDD[(K, (V, Option[W]))]
- 函数说明
类似于 SQL 语句的左外连接
val dataRDD1 = sparkContext.makeRDD(List(("a",1),("b",2),("c",3))) val dataRDD2 = sparkContext.makeRDD(List(("a",1),("b",2),("c",3))) val rdd: RDD[(String, (Int, Option[Int]))] = dataRDD1.leftOuterJoin(dataRDD2)
cogroup
- 函数签名
def cogroup[W](other: RDD[(K, W)]): RDD[(K, (Iterable[V], Iterable[W]))]
- 函数说明
相同的key放在一个组当中,然后连接在一起,在类型为(K,V)和(K,W)的 RDD 上调用,返回一个(K,(Iterable,Iterable))类型的 RDD
val dataRDD1 = sparkContext.makeRDD(List(("a",1),("a",2),("c",3))) val dataRDD2 = sparkContext.makeRDD(List(("a",1),("c",2),("c",3))) val value: RDD[(String, (Iterable[Int], Iterable[Int]))] = dataRDD1.cogroup(dataRDD2) value.collect().foreach(println)控制台打印 (a,(CompactBuffer(1, 2),CompactBuffer(1))) (c,(CompactBuffer(3),CompactBuffer(2, 3)))
案例实操
数据准备
agent.log:时间戳,省份,城市,用户,广告,中间字段使用空格分隔。
1516609143867 6 7 64 16 1516609143869 9 4 75 18 1516609143869 1 7 87 12 1516609143869 2 8 92 9 1516609143869 6 7 84 24
需求描述:统计出每一个省份每个广告被点击数量排行的 Top3
需求分析
缺什么补什么,多什么删什么
功能实现
package com.atguigu.bigdata.spark.coreimport org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.rdd.RDDobject Spark02_Demo1 {def main(args: Array[String]): Unit = {val sparkConf = new SparkConf().setMaster("local[*]").setAppName("spark")val sparkContext = new SparkContext(sparkConf)// 获取原始数据 时间戳,省份,城市,用户,广告val dataRDD = sparkContext.textFile("datas/agent.log")// 将结构数据进行转换 变成((省份,广告),1),进行分组聚合val mapRDD = dataRDD.map{line => {val datas = line.split(" ")((datas(1), datas(4)), 1)}}val reduceRDD = mapRDD.reduceByKey(_+_)// 将聚合的结果进行结构转换 ((省份,广告),1) => (省份,(广告,sum))val newMapRDD = reduceRDD.map {// 有特定的格式就使用模式匹配case ((prv, ad), sum) => {(prv, (ad, sum))}}// 将转换结构后的数据根据省份进行分组 (省份,[(广告1,sum),(广告2,sum),(广告3,sum)])val groupRDD: RDD[(String, Iterable[(String, Int)])] = newMapRDD.groupByKey()// 将分组后的数据组内排序,然后取前3位val resultRDD = groupRDD.mapValues(iter => {// 迭代器需要转化为集合iter.toList.sortBy(_._2)(Ordering.Int.reverse).take(3)})resultRDD.collect().foreach(println)sparkContext.stop()}
}
Spark转换算子大全以及案例实操相关推荐
- 尚硅谷大数据技术Spark教程-笔记09【SparkStreaming(概念、入门、DStream入门、案例实操、总结)】
尚硅谷大数据技术-教程-学习路线-笔记汇总表[课程资料下载] 视频地址:尚硅谷大数据Spark教程从入门到精通_哔哩哔哩_bilibili 尚硅谷大数据技术Spark教程-笔记01[SparkCore ...
- 大数据之Spark案例实操完整使用(第六章)
大数据之Spark案例实操完整使用 一.案例一 1.准备数据 2.需求 1:Top10 热门品类 3.需求说明 方案一. 实现方案二 实现方案三 二 .需求实现 1.需求 2:Top10 热门品类中每 ...
- 新硬盘挂载-fdisk+mount案例实操
新硬盘挂载-fdisk+mount案例实操 作者:尹正杰 版权声明:原创作品,谢绝转载!否则将追究法律责任. 现在很多服务器都支持热插拔了,当有新的硬盘插入到服务器上我们需要将其分区,格式化,然后挂载 ...
- 数据模型同学看过来|代码案例实操来袭
去年年底,央行开出反洗钱罚单,多家银行合计被罚1040万元. 当时,中国人民银行石家庄中心支行披露的反洗钱行政处罚信息公示表显示,因涉及未按照规定履行客户身份识别义务等,中行.邮储.浦发三家银行以及阳 ...
- 【报告分享】见实私域流量白皮书:私域流量案例实操手册.pdf
大家好,我是文文(微信:sscbg2020),今天给大家分享见实科技于2020年10月份发布的报告<见实私域流量白皮书:私域流量案例实操手册.pdf>. 本报告共73页,包含如下鞋服.餐饮 ...
- 自定义OutputFormat案例实操
自定义OutputFormat案例实操 文章目录 1)需求 2)需求分析 3)编程实现 1.创建Mapper类 2.创建Reducer类 3.创建OutputFormat类 4.创建RecordWri ...
- MapReduce入门(一)—— MapReduce概述 + WordCount案例实操
MapReduce入门(一)-- MapReduce概述 文章目录 MapReduce入门(一)-- MapReduce概述 1.1 MapReduce 定义 1.2 MapReduce 优缺点 1. ...
- Azkaban配置Work Flow案例实操
Work Flow案例实操 目录 Work Flow案例实操 1. Yarm语法简介 2. HelloWorld案例 3. JavaProcess案例 4. 作业依赖案例 5. 自动失败重试案例 6. ...
- 航空专场 | 无人机设计仿真流程讲解与案例实操
一.CFD在无人机上的应用 1.静.动气动系数计算以上介绍的无人机的流动状态一般为中低雷诺数,不可压缩流动.这些计算一般用S-A模型或者KW-SST模型进行计算,能够获得不错的工程精度.静.动气动力系 ...
最新文章
- PHP获取地址栏信息
- iOS:(接口适配器3)--iPhone适应不同型号 6/6plus 前
- Halcon:二维仿射变换实例探究
- 空间换时间,查表法的经典例子
- edas部署需要哪些参数_部署无线AP 需要考虑哪些因素?
- Oracle数据库学习(四)
- 面向对象编程设计练习题(1)
- 后端分页神器,mybatis pagehelper 在SSM与springboot项目中的使用
- 转--计算几何常用算法概览
- java composite 模式_《JAVA设计模式》中的组合模式Composite
- 我的世界服务器物品图标闪,我的世界用资源包修改闪烁标的方法分享
- struct termios 结构体详解
- 对Linux下使用C++读写word文件的技术方案比较
- 024 幂函数、指数函数、对数函数导数公式推导
- 医学成像中的深度学习——基于PyTorch的3D 医学图像分割
- 街霸 隆(Ryu)升龙拳(Syoryuken)动画(四)制作过程中几个版本动画比较一下
- 显卡,显卡驱动,nvcc, cuda driver,cudatoolkit,cudnn
- html下拉复选框联动,HTML : CheckBox 复选框成组联动(JavaScript)
- 基于微信小程序的电影院购票平台
- mount指令之-o参数解析