Spark RDD-Operations
1. RDD Transformations
Transformation | 描述 |
---|---|
map(func)
|
对原RDD中的元素进行一一映射,返回新的RDD |
filter(func)
|
对原RDD过滤,当 func 为 true 时则保留该元素,返回新的RDD |
flatMap(func)
|
扁平化(降维)的 map,每个参数可映射到多个输出项,返回新的RDD |
mapPartitions(func)
|
对每个分区的数据单独进行 map,func 必须是 Iterator<T> => Iterator<U> 类型
|
mapPartitionsWithIndex(func)
|
类似于 mapPartitions,但提供了一个表示分区数的整数值 |
sample(withReplace, fraction, seed)
|
使用给定的随机生成器的种子对数据进行采样 |
union(otherDataset)
|
将两个泛型相同的RDD合并(求并集),返回新的RDD |
instersection(otherDataset)
|
将两个泛型相同的RDD相交(求交集),返回新的RDD |
distinct([numPartitions])
|
将原RDD去重,返回新的RDD |
groupByKey([numPartitions])
|
对 (K, V) 进行调用,返回 (K, Iterator) 泛型的新RDD |
reduceByKey(func, [numPartitions])
|
对 (K, V) 进行调用,将相同键的值进行合并,返回 (K, V) 泛型的新RDD |
aggregateByKey(zeroValue)(SeqOP, combOp, [numPartitions])
|
对 (K, V) 进行调用,返回 (K, U) 泛型的RDD,其中每个键的值使用给定的组合函数和中性“零”值聚合 |
sortByKey([ascending], [numPartitions])
|
实现对 (K, V) 按照 K 进行排序 |
join(otherDataset, [numPartitions])
|
对泛型为 (K, V ) 和 (K, W) 的两个数据集,返回 (K, (V, W)) |
cogroup(otherDataset, [numPartitions])
|
对泛型为 (K, V ) 和 (K, W) 的两个数据集,返回 (K, (Iterator, Iterable)) |
cartesian(otherDataSet)
|
当调用泛型为 T 和 U 的数据集时,返回一个 (T, U) 对(所有元素对)的数据集。 |
pipe(command, [envVars])
|
通过 shell 命令来管理管道 RDD 的每个分区 |
coalesce(numPartitions)
|
将 RDD 中的分区减少到指定值 |
repartition(numPartitions)
|
重新设置分区数,通过网络shuffle打乱数据重新分区 |
repartitionAndSortWithinPartitions(partitioner)
|
根据指定的分区数器对RDD重新分区,并在每个结果分区内,按键对记录进行排序 |
1.1 Map-Partition
键值对泛型的 RDD 可以通过 partitionBy
指定分区器。
Spark 默认实现了两种分区器:HashPartitioner
、RangePartitioner
,也可以自定义分区器。
HashPartitioner
:根据 key 的hashCode
返回值对分区数取模- 优势:可以将相同 key 的元素分到同一分区,方便
byKey
的操作 - 劣势:如果某些相同 key 的元素较多,容易造成数据倾斜
- 优势:可以将相同 key 的元素分到同一分区,方便
RangePartitioner
:使用抽样方法,随机抽样并轮询分发数据到不容的分区- 优势:发分区后每个RDD中的元素数量相差无几
- 劣势:会将数据打乱,如需
byBey
操作会重新进行shuffle
自定义分区器:
- 使用匿名类的方式自定义分区器
rdd.map(x => (x,x))
.partitionBy(new Partitioner {// 设置分区数量override def numPartitions: Int = 2// 根据 key 计算出分区编号override def getPartition(key: Any): Int = key.asInstanceOf[Int] % 2
})
- 单独构造类的方式自定义分区器
- 继承
Partitioner
抽象类 - 重写其中的
numPartitions
、getPartition
分发
- 继承
rdd.map(x => (x, x))
.partitionBy(new DefinePartition(2))class DefinePartition(num: Int) extends Partitioner {override def numPartitions: Int = numoverride def getPartition(key: Any): Int = key.asInstanceOf[Int] % 2
}
使用
mapPartitionsWithIndex 方法
,还能获取分区编号
1.2 ByKey
在上面可以看到很多 ByKey 的算子,这些算子都适配于 (K, V)
泛型的 RDD,此类算子底层都是基于 combineByKeyWithClassTag
实现。
combineByKeyWithClassTag
中的 WithClassTag
相当于一种泛型检测机制,在该算子之上有一个简单的继承,名为combineByKey
。
def combineByKey[C](createCombiner: V => C,mergeValue: (C, V) => C,mergeCombiners: (C, C) => C,partitioner: Partitioner,mapSideCombine: Boolean = true,serializer: Serializer = null): RDD[(K, C)] = self.withScope {combineByKeyWithClassTag(createCombiner, mergeValue, mergeCombiners,partitioner, mapSideCombine, serializer)(null)
}
combineByKey
还是在调用combineByKeyWithClassTag
,为了方便,看此方法就可以了!
Spark RDD-Operations相关推荐
- Spark学习之Spark RDD算子
个人主页zicesun.com 这里,从源码的角度总结一下Spark RDD算子的用法. 单值型Transformation算子 map /*** Return a new RDD by applyi ...
- Spark RDD概念学习系列之rdd持久化、广播、累加器(十八)
1.rdd持久化 2.广播 3.累加器 1.rdd持久化 通过spark-shell,可以快速的验证我们的想法和操作! 启动hdfs集群 spark@SparkSingleNode:/usr/loca ...
- spark RDD官网RDD编程指南
http://spark.apache.org/docs/latest/rdd-programming-guide.html#using-the-shell Overview(概述) 在较高的层次上, ...
- spark Rdd 操作transformaction和action等
为什么80%的码农都做不了架构师?>>> transformation是惰性的,只有action操作的时候,才会真正执行.spark有很多api,RDD的api只是spark的 ...
- value toDF is not a member of org.apache.spark.rdd.RDD[People]
编译如下代码时,出现value toDF is not a member of org.apache.Spark.rdd.RDD[People] 错误 val rdd : RDD[People]= ...
- Spark RDD/Core 编程 API入门系列之动手实战和调试Spark文件操作、动手实战操作搜狗日志文件、搜狗日志文件深入实战(二)...
1.动手实战和调试Spark文件操作 这里,我以指定executor-memory参数的方式,启动spark-shell. 启动hadoop集群 spark@SparkSingleNode:/usr/ ...
- spark学习13(spark RDD)
RDD及其特点 1)RDD(Resillient Distributed Dataset)弹性分布式数据集,是spark提供的核心抽象.它代表一个不可变.可分区.里面的元素可并行计算的集合 2)RDD ...
- Spark RDD API:Map和Reduce
参考文章: http://blog.csdn.net/jewes/article/details/39896301 http://homepage.cs.latrobe.edu.au/zhe/Zhen ...
- 第14课:Spark RDD解密
以下为Spark RDD解密课程学习心得: 在介绍Spark RDD之前,先简单的说下Hadoop MapReduce,它是基于数据流的方式进行计算,从物理存储上加载数据,然后操作数据, 最后写入到物 ...
- 学习笔记Spark(三)—— Spark架构及原理(spark架构、spark RDD)
一.Spark架构 1.1.基本组件 Cluster Manager 在standalone模式中即为Master主节点,控制整个集群,监控worker.在YARN模式中为资源管理器. Worker ...
最新文章
- java 4d_GitHub - wm3445/Java-concurrency at 4d10ae51a9deec37340fc40d03f205cfbe8de43b
- SQL-语句实现九九乘法表
- OC高效率52之理解OC错误模型
- 【解决】make: 警告:检测到时钟错误。您的创建可能是不完整的
- 趋势科技云安全软件_阿里达摩院发布2020十大科技趋势!量子计算、类脑计算系统崛起...
- android开源2016_2016年开源领域的7大法律发展
- 聚宽macd底背离_老股民技巧一招鲜:MACD顶、底背离图解及近期实战应用,字字斗金...
- iOS底层探索之类的结构—cache分析(上)
- 匿名管道 与 命名管道
- PCB设计敷铜时的天线效应
- 新款大屏卡罗拉linux系统,丰田卡罗拉大屏车载导航影音系统
- 湖南师范大学2018年大学生程序设计竞赛新生赛 F-小名的回答
- php的persion是,php创建Persion类,反射过程,反射后使用流程详解
- java爬虫工具xpath提取_爬虫 xpath (数据提取)
- Matlab中filter.m和filtfilt.m函数C语言实现
- [推荐收藏]MAC地址完美攻略(教你如何防止IP被盗用及绑定IP)
- java ico_Java图片处理:ico格式转 PNG/JPG等格式
- HDFS的读写流程步骤(附图文解析)
- 一些电脑使用的技巧和软件分享(电脑初学者必备)
- 【React Native】深入理解Native与RN通信原理