RDD转换算子

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。

Value 类型

1. map

函数定义

def map[U: ClassTag](f: T => U): RDD[U]

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。

案例实操

package com.atguigu.bigdata.spark.core.rdd.operator.transformimport org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}object Spark01_RDD_Operator_Transform {def main(args: Array[String]): Unit = {//TODO 准备环境val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")val sc = new SparkContext(sparkConf)//TODO 算子-mapval rdd =sc.makeRDD(List(1,2,3,4))//1，2，3，4转换为2，4，6，8//转换函数
//    def mapFunction(num: Int): Int = {//
//      num * 2
//    }//    val mapRDD: RDD[Int] = rdd.map(mapFunction)//使用匿名函数
//   val mapRDD: RDD[Int] = rdd.map((num: Int) => {num *  2})val mapRDD: RDD[Int] = rdd.map(_ * 2)mapRDD.collect().foreach(println)//TODO 关闭环境sc.stop()}}

2. mapPartitions

函数定义

def mapPartitions[U: ClassTag]( f: Iterator[T] => Iterator[U], preservesPartitioning: Boolean = false): RDD[U]

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。

案例实操

package com.atguigu.bigdata.spark.core.rdd.operator.transformimport org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}object Spark01_RDD_Operator_Transform_Part {def main(args: Array[String]): Unit = {//TODO 准备环境val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")val sc = new SparkContext(sparkConf)//TODO 算子-mapval rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4), 2)//【1，2】【3，4】rdd.saveAsTextFile("output")val mapRDD = rdd.map(_ * 2 )//转换后【2，4】【6，8】mapRDD.saveAsTextFile("output1")//TODO 关闭环境sc.stop()}}

map 和mapPartitions 的区别

（1）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。
（2）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
（3）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。

3. mapPartitionsWithIndex

函数定义

def mapPartitionsWithIndex[U: ClassTag]( f: (Int, Iterator[T]) => Iterator[U], preservesPartitioning: Boolean = false): RDD[U]

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，在处理时同时可以获取当前分区索引。

案例实操

package com.atguigu.bigdata.spark.core.rdd.operator.transformimport org.apache.spark.{SparkConf, SparkContext}object Spark03_RDD_Operator_Transform {def main(args: Array[String]): Unit = {//TODO 准备环境val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")val sc = new SparkContext(sparkConf)//TODO 算子//只输出3，4val rdd = sc.makeRDD(List(1,2,3,4),2)val mapRDD = rdd.mapPartitionsWithIndex((index, iter) => {if (index == 1) {iter} else {Nil.iterator}})mapRDD.collect().foreach(println)//TODO 关闭环境sc.stop()}}

4. flatMap

函数定义

def flatMap[U: ClassTag](f: T => TraversableOnce[U]): RDD[U]

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 。

案例实操

package com.atguigu.bigdata.spark.core.rdd.operator.transformimport org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}object Spark04_RDD_Operator_Transform {def main(args: Array[String]): Unit = {//TODO 准备环境val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")val sc = new SparkContext(sparkConf)//TODO 算子//输出每个数字val rdd = sc.makeRDD(List(List(1,2),List(3,4)))val flatRDD: RDD[Int] = rdd.flatMap(list => {list})flatRDD.collect().foreach(println)//TODO 关闭环境sc.stop()}}

5. glom

函数定义

def glom(): RDD[Array[T]]

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
案例实操

package com.atguigu.bigdata.spark.core.rdd.operator.transformimport org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}object Spark05_RDD_Operator_Transform {def main(args: Array[String]): Unit = {//TODO 准备环境val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")val sc = new SparkContext(sparkConf)//TODO 算子val rdd = sc.makeRDD(List(1,2,3,4),2)//List => Int//Int => Anyval glomRDD: RDD[Array[Int]] = rdd.glom()glomRDD.collect().foreach(data => println(data.mkString(",")))//TODO 关闭环境sc.stop()}}

6. groupBy

函数定义

def groupBy[K](f: T => K)(implicit kt: ClassTag[K]): RDD[(K, Iterable[T])]

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

案例实操

package com.atguigu.bigdata.spark.core.rdd.operator.transformimport org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}object Spark06_RDD_Operator_Transform {def main(args: Array[String]): Unit = {//TODO 准备环境val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")val sc = new SparkContext(sparkConf)//TODO 算子 -groupByval rdd = sc.makeRDD(List(1,2,3,4),2)//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值的数组会放到一个组中def groupByFunction(num :Int) : Int ={num % 2}val groupRDD: RDD[(Int, Iterable[Int])] = rdd.groupBy(groupByFunction)groupRDD.collect().foreach(println)//TODO 关闭环境sc.stop()}}

7. filter

函数定义

def filter(f: T => Boolean): RDD[T]

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。

案例实操

package com.atguigu.bigdata.spark.core.rdd.operator.transformimport org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}object Spark07_RDD_Operator_Transform {def main(args: Array[String]): Unit = {//TODO 准备环境val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")val sc = new SparkContext(sparkConf)//TODO 算子 -filter//筛选奇数val rdd = sc.makeRDD(List(1,2,3,4))val filterRDD: RDD[Int] = rdd.filter(_ % 2 != 0)filterRDD.collect().foreach(println)//TODO 关闭环境sc.stop()}}

8. sample

函数定义

def sample( withReplacement: Boolean, fraction: Double, seed: Long = Utils.random.nextLong): RDD[T]

说明
根据指定的规则从数据集中抽取数据

案例实操

package com.atguigu.bigdata.spark.core.rdd.operator.transformimport org.apache.spark.{SparkConf, SparkContext}object Spark08_RDD_Operator_Transform {def main(args: Array[String]): Unit = {//TODO 准备环境val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")val sc = new SparkContext(sparkConf)//TODO 算子 -sampleval rdd = sc.makeRDD(List(1,2,3,4,5,6,7,8,9,10))//sample算子需要传递三个参数//1. 第一个参数表示，抽数数据后是否将数据返回true（放回），false（丢弃）//2. 第二个参数表示，// 抽取不放回的场合：数据源中每条数据被抽取的概率//                 基准值的概念//抽取放回的场合：数据//3.第三个参数表示，抽取数据时随机算法的种子//                如果不使用第三个参数，那么使用的当前的系统时间
//    val sampleRDD: String = rdd.sample(
//      false,
//      0.4,
      2
//    ).collect().mkString(",")val sampleRDD: String = rdd.sample(true,0.5,
//      2).collect().mkString(",")println(sampleRDD)//TODO 关闭环境sc.stop()}}

9. distinct

函数定义

def distinct()(implicit ord: Ordering[T] = null): RDD[T]
def distinct(numPartitions: Int)(implicit ord: Ordering[T] = null): RDD[T]

说明
将数据集中重复的数据去重

案例实操

package com.atguigu.bigdata.spark.core.rdd.operator.transformimport org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}object Spark09_RDD_Operator_Transform {def main(args: Array[String]): Unit = {//TODO 准备环境val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")val sc = new SparkContext(sparkConf)//TODO 算子 -distinct//map(x => (x, null)).reduceByKey((x, _) => x, numPartitions).map(_._1)val rdd = sc.makeRDD(List(1,2,3,4,1,2,3,4))val rdd1: RDD[Int] = rdd.distinct()rdd1.collect().foreach(println)//TODO 关闭环境sc.stop()}}

10. coalesce

函数定义

def coalesce(numPartitions: Int, shuffle: Boolean = false, partitionCoalescer: Option[PartitionCoalescer] = Option.empty) (implicit ord: Ordering[T] = null) : RDD[T]

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 。

案例实操

package com.atguigu.bigdata.spark.core.rdd.operator.transformimport org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}object Spark10_RDD_Operator_Transform {def main(args: Array[String]): Unit = {//TODO 准备环境val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")val sc = new SparkContext(sparkConf)//TODO 算子 -coalesce//coalesce默认不会打乱分区重新组合//这种情况下的缩减分区可能会导致分区不均衡，出现数据倾斜//如果想让数据均衡，可以进行shuffle处理val rdd = sc.makeRDD(List(1,2,3,4,5,6),3)//    val newRDD: RDD[Int] = rdd.coalesce(2)val newRDD: RDD[Int] = rdd.coalesce(2,true)newRDD.saveAsTextFile("output")//TODO 关闭环境sc.stop()}}

11. repartition

函数定义

def repartition(numPartitions: Int)(implicit ord: Ordering[T] = null): RDD[T]

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。

案例实操

package com.atguigu.bigdata.spark.core.rdd.operator.transformimport org.apache.spark.{SparkConf, SparkContext}object Spark11_RDD_Operator_Transform {def main(args: Array[String]): Unit = {//TODO 准备环境val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")val sc = new SparkContext(sparkConf)//TODO 算子 -repartitionval rdd = sc.makeRDD(List(6,2,5,4,1,3),2)val dataRDD1 = dataRDD.repartition(4) dataRDD1 .saveAsTextFile("output")//TODO 关闭环境sc.stop()}}

12. sortBy

函数定义

def sortBy[K]( f: (T) => K, ascending: Boolean = true, numPartitions: Int = this.partitions.length) (implicit ord: Ordering[K], ctag: ClassTag[K]): RDD[T]

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

案例实操

package com.atguigu.bigdata.spark.core.rdd.operator.transformimport org.apache.spark.{SparkConf, SparkContext}object Spark11_RDD_Operator_Transform1 {def main(args: Array[String]): Unit = {//TODO 准备环境val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")val sc = new SparkContext(sparkConf)//TODO 算子 -sortBy//sortBy方法可以根据指定的规则进行对数据源中的数据进行排序，默认为升序(true)，第二个参数可以改(false,降序)//sortBy默认情况下不会改变分区，但中间存在shuffle操作val rdd = sc.makeRDD(List(("1",1),("11",2),("6",3)),2)val newRDD = rdd.sortBy(num => num._1.toInt,false)newRDD.collect().foreach(println)//TODO 关闭环境sc.stop()}}

双Value类型

13. intersection

函数定义

def intersection(other: RDD[T]): RDD[T]

说明
对源RDD 和参数RDD 求交集后返回一个新的RDD

14. union

函数定义

def union(other: RDD[T]): RDD[T]

说明
对源RDD 和参数RDD 求并集后返回一个新的RDD

15. subtract

函数定义

def subtract(other: RDD[T]): RDD[T]

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

16. zip

函数定义

def zip[U: ClassTag](other: RDD[U]): RDD[(T, U)]

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。

案例实操

package com.atguigu.bigdata.spark.core.rdd.operator.transformimport org.apache.spark.{SparkConf, SparkContext}object Spark12_RDD_Operator_Transform {def main(args: Array[String]): Unit = {//TODO 准备环境val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")val sc = new SparkContext(sparkConf)//TODO 算子 -双value类型//并集、交集和差集要求数据源类型一致//拉链数据源类型可以不一致val rdd1 = sc.makeRDD(List(1,2,3,4))val rdd2 = sc.makeRDD(List(5,6,3,4))val rdd3 = sc.makeRDD(List("3","4","6","7"))//交集val newrdd1 = rdd1.intersection(rdd2)println(newrdd1.collect().mkString(","))//并集val newrdd2 = rdd1.union(rdd2)println(newrdd2.collect().mkString(","))//差集val newrdd3 = rdd1.subtract(rdd2)println(newrdd3.collect().mkString(","))//拉链val newrdd4 = rdd1.zip(rdd2)val newrdd5 = rdd1.zip(rdd3)println(newrdd4.collect().mkString(","))println(newrdd5.collect().mkString(","))//TODO 关闭环境sc.stop()}}

package com.atguigu.bigdata.spark.core.rdd.operator.transformimport org.apache.spark.{SparkConf, SparkContext}object Spark12_RDD_Operator_Transform1 {def main(args: Array[String]): Unit = {//TODO 准备环境val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")val sc = new SparkContext(sparkConf)//TODO 算子 -双value类型//并集、交集和差集要求数据源类型一致//拉链数据源类型可以不一致val rdd1 = sc.makeRDD(List(1,2,3,4,5,6),2)val rdd2 = sc.makeRDD(List(5,6,3,4),2)//拉链//Can't zip RDDs with unequal numbers of partitions: List(2, 4)//两个数据源的分区数量要求一致//Can only zip RDDs with same number of elements in each partition//两个数据源的分区中数据的数量要求一致val newrdd4 = rdd1.zip(rdd2)println(newrdd4.collect().mkString(","))//TODO 关闭环境sc.stop()}}

Key-Value类型

17. partitionBy

函数定义

def partitionBy(partitioner: Partitioner): RDD[(K, V)]

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

案例实操

package com.atguigu.bigdata.spark.core.rdd.operator.transformimport org.apache.spark.{HashPartitioner, SparkConf, SparkContext}object Spark13_RDD_Operator_Transform {def main(args: Array[String]): Unit = {//TODO 准备环境val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")val sc = new SparkContext(sparkConf)//TODO 算子 -key-value类型//并集、交集和差集要求数据源类型一致//拉链数据源类型可以不一致val rdd = sc.makeRDD(List(1,2,3,4))val mapRDD = rdd.map((_,1))//RDD => PairRDDFunctions//隐式转换(二次编译)//根据指定的分区规则，对数据进行重新分区val newRDD = mapRDD.partitionBy(new HashPartitioner(2))newRDD.partitionBy(new HashPartitioner(2))//TODO 关闭环境sc.stop()}}

18. reduceByKey

函数定义

def reduceByKey(func: (V, V) => V): RDD[(K, V)]
def reduceByKey(func: (V, V) => V, numPartitions: Int): RDD[(K, V)]

说明
可以将数据按照相同的Key 对Value 进行聚合

案例实操

package com.atguigu.bigdata.spark.core.rdd.operator.transformimport org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}object Spark14_RDD_Operator_Transform {def main(args: Array[String]): Unit = {//TODO 准备环境val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")val sc = new SparkContext(sparkConf)//TODO 算子 -key-value类型val rdd = sc.makeRDD(List(("a",1), ("b",2), ("a",2), ("b",3)))//reduceByKey:相同的key的数据进行value数据的聚合操作//scala中一般的操作都是两两聚合，spark是基于scala开发的，所以它的聚合也是两两聚合val reduceRDD: RDD[(String, Int)] = rdd.reduceByKey((x: Int, y: Int) => {println(s"x = $x, y= $y")x + y})reduceRDD.collect().foreach(println)//TODO 关闭环境sc.stop()}}

19. groupByKey

函数定义

def groupByKey(): RDD[(K, Iterable[V])]
def groupByKey(numPartitions: Int): RDD[(K, Iterable[V])]
def groupByKey(partitioner: Partitioner): RDD[(K, Iterable[V])]

说明
将数据源的数据根据 key 对 value 进行分组。

案例实操

package com.atguigu.bigdata.spark.core.rdd.operator.transformimport org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}object Spark15_RDD_Operator_Transform {def main(args: Array[String]): Unit = {//TODO 准备环境val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")val sc = new SparkContext(sparkConf)//TODO 算子 -key-value类型val rdd = sc.makeRDD(List(("a",1), ("b",2), ("a",2), ("b",3)))//groupByKey：将数据源中的数据，相同的key的数据放在一个组中，形一个对偶元组//          元组中的第一个元素就是key//          元组中的第二个元素就是相同key的value的集合val groupRDD: RDD[(String, Iterable[Int])] = rdd.groupByKey()val groupRDD1: RDD[(String, Iterable[(String, Int)])] = rdd.groupBy(_._1)groupRDD.collect().foreach(println)groupRDD1.collect().foreach(println)//TODO 关闭环境sc.stop()}}

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。

20. aggregateByKey

函数定义

def aggregateByKey[U: ClassTag](zeroValue: U)(seqOp: (U, V) => U, combOp: (U, U) => U): RDD[(K, U)]

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；
取出每个分区内相同 key 的最大值然后分区间相加

案例实操

package com.atguigu.bigdata.spark.core.rdd.operator.transformimport org.apache.spark.{SparkConf, SparkContext}object Spark16_RDD_Operator_Transform {def main(args: Array[String]): Unit = {//TODO 准备环境val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")val sc = new SparkContext(sparkConf)//TODO 算子 -key-value类型val rdd = sc.makeRDD(List(("a",1), ("a",2), ("a",3), ("a",4)),2)//aggregateByKey存在函数的柯里化，有两个参数列表//第一个参数列表:需要传递一个参数，表示为初始值//             主要用于当碰到第一个key的时候，和value进行分区内的计算//第二个参数列表需要传递两个参数//        第一个参数表示分区内的计算规则//        第二个参数表示分区间的计算规则// math.max(x,y)取最大值rdd.aggregateByKey(0)((x,y) => math.max(x,y),(x,y) => x + y).collect().foreach(println)//TODO 关闭环境sc.stop()}}

21. foldByKey

函数定义

def foldByKey(zeroValue: V)(func: (V, V) => V): RDD[(K, V)]

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

案例实操

package com.atguigu.bigdata.spark.core.rdd.operator.transformimport org.apache.spark.{SparkConf, SparkContext}object Spark16_RDD_Operator_Transform2 {def main(args: Array[String]): Unit = {//TODO 准备环境val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")val sc = new SparkContext(sparkConf)//TODO 算子 -key-value类型val rdd = sc.makeRDD(List(("a",1), ("a",2), ("b",3), ("b",4) ,("b",5), ("a",6)),2)//    rdd.aggregateByKey(0)(_+_,_+_).collect().foreach(println)//如果分区内和分区间的计算结果相同rdd.foldByKey(0)(_+_).collect().foreach(println)//TODO 关闭环境sc.stop()}}

22. combineByKey

函数定义

def combineByKey[C]( createCombiner: V => C, mergeValue: (C, V) => C, mergeCombiners: (C, C) => C): RDD[(K, C)]

说明
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。

案例实操

package com.atguigu.bigdata.spark.core.rdd.operator.transformimport org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}object Spark17_RDD_Operator_Transform {def main(args: Array[String]): Unit = {//TODO 准备环境val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")val sc = new SparkContext(sparkConf)//TODO 算子 -key-value类型val rdd = sc.makeRDD(List(("a",1), ("a",2), ("b",3), ("b",4) ,("b",5), ("a",6)),2)//combineByKey：需要三个参数//第一个参数表示：将相同的key的第一个数据进行结构的转换，实现操作//第二个参数表示：分区内的计算规则//第三个参数表示：分区间的计算规则val newRDD: RDD[(String, (Int, Int))] = rdd.combineByKey(v => (v,1),(t:(Int,Int), v) => {(t._1 + v, t._2 + 1)},(t1:(Int,Int), t2) => {(t1._1 + t2._1, t1._2 + t2._2)})newRDD.collect().foreach(println)val resultRDD = newRDD.mapValues{case (num ,cnt) => {num / cnt}}resultRDD.collect().foreach(println)//TODO 关闭环境sc.stop()}}

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。

23. sortByKey

函数定义

def sortByKey(ascending: Boolean = true, numPartitions: Int = self.partitions.length) : RDD[(K, V)]

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。

案例实操

package com.atguigu.bigdata.spark.core.rdd.operator.transformimport org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}object Spark19_RDD_Operator_Transform {def main(args: Array[String]): Unit = {//TODO 准备环境val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")val sc = new SparkContext(sparkConf)//TODO 算子 -key-value类型val dataRDD1 = sparkContext.makeRDD(List(("a",1),("b",2),("c",3))) val sortRDD1: RDD[(String, Int)] = dataRDD1.sortByKey(true) val sortRDD2: RDD[(String, Int)] = dataRDD1.sortByKey(false) sortRDD1.collect().foreach(println)sortRDD2.collect().foreach(println)//TODO 关闭环境sc.stop()}}

24. join

函数定义

def join[W](other: RDD[(K, W)]): RDD[(K, (V, W))]

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

案例实操

package com.atguigu.bigdata.spark.core.rdd.operator.transformimport org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}object Spark19_RDD_Operator_Transform {def main(args: Array[String]): Unit = {//TODO 准备环境val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")val sc = new SparkContext(sparkConf)//TODO 算子 -key-value类型val rdd1= sc.makeRDD(List(("a",1),("a",2), ("b",2), ("c",3),("d",2)))val rdd2 = sc.makeRDD(List(("a",4), ("b",5), ("c",6)))//join：两个不同源的数据，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，会依次匹配，可能出现笛卡尔乘积，数量会出现几何性增长，使计算机性能降低val joinRDD: RDD[(String, (Int, Int))] = rdd1.join(rdd2)joinRDD.collect().foreach(println)//TODO 关闭环境sc.stop()}}

25. leftOuterJoin

函数定义

def leftOuterJoin[W](other: RDD[(K, W)]): RDD[(K, (V, Option[W]))]

说明
类似于SQL 语句的左外连接

案例实操

package com.atguigu.bigdata.spark.core.rdd.operator.transformimport org.apache.spark.{SparkConf, SparkContext}object Spark20_RDD_Operator_Transform {def main(args: Array[String]): Unit = {//TODO 准备环境val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")val sc = new SparkContext(sparkConf)//TODO 算子 -key-value类型val rdd1= sc.makeRDD(List(("a",1), ("b",2), ("c",3)))val rdd2 = sc.makeRDD(List(("a",4), ("b",5)//, ("c",6)))val leftJoinRDD = rdd1.leftOuterJoin(rdd2)val rightJoinRDD = rdd1.leftOuterJoin(rdd2)leftJoinRDD.collect().foreach(println)rightJoinRDD.collect().foreach(println)//TODO 关闭环境sc.stop()}}

26. cogroup

函数定义

def cogroup[W](other: RDD[(K, W)]): RDD[(K, (Iterable[V], Iterable[W]))]

说明
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

案例实操

package com.atguigu.bigdata.spark.core.rdd.operator.transformimport org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}object Spark21_RDD_Operator_Transform {def main(args: Array[String]): Unit = {//TODO 准备环境val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")val sc = new SparkContext(sparkConf)//TODO 算子 -key-value类型val rdd1= sc.makeRDD(List(("a",1), ("b",2), ("c",3)))val rdd2 = sc.makeRDD(List(("a",4), ("b",5)//, ("c",6)))//cogroup: connect + group (分组连接)val cgRDD: RDD[(String, (Iterable[Int], Iterable[Int]))] = rdd1.cogroup(rdd2)cgRDD.collect().foreach(println)//TODO 关闭环境sc.stop()}}

Spark的RDD转换算子相关推荐

1. spark中的转换算子和行动算子区别(transformations and actions)

   算子(RDD Operations): 对于初学者来说,算子的概念比较抽象,算子可以直译为 "RDD的操作", 我们把它理解为RDD的方法即可 . 转换算子(transformat ...

2. Spark的RDD行动算子

   目录 基本概念 算子介绍 1. reduce 2. collect 3. count 4. first 5. take 6. takeOrdered 案例实操1-6 7. aggregate 8. f ...

3. 【Spark】（五）Spark Transformation（转换算子） 和 Action（执行算子）

   文章目录 一.Transformation 和 Action 1.转换操作 2.行动操作 二.map.flatMap.mapParations.mapPartitionsWithIndex 2.1 m ...

4. Spark-Core RDD转换算子-Value型

   1. map(func) 作用: 返回一个新的 RDD, 该 RDD 是由原 RDD 的每个元素经过函数转换后的值而组成. 就是对 RDD 中的数据做转换. 创建一个包含1-10的的 RDD,然后将每 ...

5. Spark中RDD转换成DataFrame的两种方式（分别用Java和scala实现）

   一:准备数据源       在项目下新建一个student.txt文件,里面的内容为:         [plain] view plain copy print? <code class=&q ...

6. 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:Opera ...

7. 第三课 大数据技术之Spark-RDD介绍和转换算子

   第三课 大数据技术之Spark-RDD介绍和转换算子 文章目录 第三课 大数据技术之Spark-RDD介绍和转换算子 第一节 RDD相关介绍 1.1 什么是 RDD 1.2 核心属性 1.3 执行原理 ...

8. Spark_Transformation转换算子

   RDD整体上分为Value类型.双Value类型和Key-Value类型 一.Value类型 1.map()映射 1)函数签名: def map[U: ClassTag](f: T => U): ...

9. spark应用程序转换_Spark—RDD编程常用转换算子代码实例

   Spark-RDD编程常用转换算子代码实例 Spark rdd 常用 Transformation 实例: 1.def map[U: ClassTag](f: T => U): RDD[U]  ...

最新文章

1. python有什么作用-大数据学习之python语言有什么作用？
2. Facebook发布人工智能产品DeepText：能以人类智商
3. centos7.x 升级svn版本到指定版本（1.10）
4. [Redux/Mobx] Mobx和Redux有什么区别？
5. JAVA进阶开发之（异常类）
6. 华为acl怎么生效_华为ACL配置教程（一）
7. java 隐藏域_java 隐藏域传值
8. java教务管理系统数据库设计_新手可以学习的教务管理系统详细设计(一）
9. java实体类实现抽象类_java接口、抽象类、实体类关系介绍
10. Web报表工具FineReport二次开发JS之字符串
11. typora markdown 标题自动编号
12. centos7刷新dns
13. count计时器java,倒计时器CountDownLatch
14. 04zookeeper场景应用-master选举
15. java收octet-stream后转multipart方案
16. swiper3 匀速无缝滚动
17. 教你如何做一个三角形
18. 哪里可以买到苹果手机原装电池？
19. [原创]SP的前途？？（猛回头，警世钟）[转贴]
20. 在本地存储中存入和取出对象

热门文章

1. Selenium 页面自动化测试 面试 问题汇总
2. 《低功耗蓝牙开发权威指南》——第2章基本概念
3. ng-repeat支持的输入种类
4. js实现随机选取[10,100)中的10个整数，存入一个数组，并排序。 另考虑(10,100]和[10,100]两种情况。...
5. SANS：2014年安全分析与安全智能调研报告
6. 安装zookeeper集群
7. 【百度地图API】如何区分地址解析和智能搜索？
8. CCNA配置试验之三 EIGRP协议的配置
9. 你不得不知的Safari 4
10. jittor 训练手写数字识别（mnist）