公众号后台回复关键字：pyspark，获取本项目github地址。

本节将介绍RDD数据结构的常用函数。包括如下内容:

创建RDD

常用Action操作

常用Transformation操作

常用PairRDD的转换操作

缓存操作

共享变量

分区操作

这些函数中，我最常用的是如下15个函数，需要认真掌握其用法。

map

flatMap

mapPartitions

filter

count

reduce

take

saveAsTextFile

collect

join

union

persist

repartition

reduceByKey

aggregateByKey

import findspark

#指定spark_home为刚才的解压路径,指定python路径

spark_home = "/Users/liangyun/ProgramFiles/spark-3.0.1-bin-hadoop3.2"

python_path = "/Users/liangyun/anaconda3/bin/python"

findspark.init(spark_home,python_path)

import pyspark

from pyspark import SparkContext, SparkConf

conf = SparkConf().setAppName("rdd_tutorial").setMaster("local[4]")

sc = SparkContext(conf=conf)

print(pyspark.__version__)

3.0.1

一，创建RDD

创建RDD主要有两种方式，一个是textFile加载本地或者集群文件系统中的数据，

第二个是用parallelize方法将Driver中的数据结构并行化成RDD。

#从本地文件系统中加载数据

file = "./data/hello.txt"

rdd = sc.textFile(file,3)

rdd.collect()

['hello world',

'hello spark',

'spark love jupyter',

'spark love pandas',

'spark love sql']

#从集群文件系统中加载数据

#file = "hdfs://localhost:9000/user/hadoop/data.txt"

#也可以省去hdfs://localhost:9000

#rdd = sc.textFile(file,3)

#parallelize将Driver中的数据结构生成RDD,第二个参数指定分区数

rdd = sc.parallelize(range(1,11),2)

rdd.collect()

[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

二，常用Action操作

Action操作将触发基于RDD依赖关系的计算。

collect

rdd = sc.parallelize(range(10),5)

#collect操作将数据汇集到Driver,数据过大时有超内存风险

all_data = rdd.collect()

all_data

[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

take

#take操作将前若干个数据汇集到Driver，相比collect安全

rdd = sc.parallelize(range(10),5)

part_data = rdd.take(4)

part_data

[0, 1, 2, 3]

takeSample

#takeSample可以随机取若干个到Driver,第一个参数设置是否放回抽样

rdd = sc.parallelize(range(10),5)

sample_data = rdd.takeSample(False,10,0)

sample_data

[7, 8, 1, 5, 3, 4, 2, 0, 9, 6]

first

#first取第一个数据

rdd = sc.parallelize(range(10),5)

first_data = rdd.first()

print(first_data)

0

count

#count查看RDD元素数量

rdd = sc.parallelize(range(10),5)

data_count = rdd.count()

print(data_count)

10

reduce

#reduce利用二元函数对数据进行规约

rdd = sc.parallelize(range(10),5)

rdd.reduce(lambda x,y:x+y)

45

foreach

#foreach对每一个元素执行某种操作，不生成新的RDD

#累加器用法详见共享变量

rdd = sc.parallelize(range(10),5)

accum = sc.accumulator(0)

rdd.foreach(lambda x:accum.add(x))

print(accum.value)

45

countByKey

#countByKey对Pair RDD按key统计数量

pairRdd = sc.parallelize([(1,1),(1,4),(3,9),(2,16)])

pairRdd.countByKey()

defaultdict(int, {1: 2, 3: 1, 2: 1})

saveAsTextFile

#saveAsTextFile保存rdd成text文件到本地

text_file = "./data/rdd.txt"

rdd = sc.parallelize(range(5))

rdd.saveAsTextFile(text_file)

#重新读入会被解析文本

rdd_loaded = sc.textFile(file)

rdd_loaded.collect()

['2', '3', '4', '1', '0']

三，常用Transformation操作

Transformation转换操作具有懒惰执行的特性，它只指定新的RDD和其父RDD的依赖关系，只有当Action操作触发到该依赖的时候，它才被计算。

map

#map操作对每个元素进行一个映射转换

rdd = sc.parallelize(range(10),3)

rdd.collect()

[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

rdd.map(lambda x:x**2).collect()

[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]

filter

#filter应用过滤条件过滤掉一些数据

rdd = sc.parallelize(range(10),3)

rdd.filter(lambda x:x>5).collect()

[6, 7, 8, 9]

flatMap

#flatMap操作执行将每个元素生成一个Array后压平

rdd = sc.parallelize(["hello world","hello China"])

rdd.map(lambda x:x.split(" ")).collect()

[['hello', 'world'], ['hello', 'China']]

rdd.flatMap(lambda x:x.split(" ")).collect()

['hello', 'world', 'hello', 'China']

sample

#sample对原rdd在每个分区按照比例进行抽样,第一个参数设置是否可以重复抽样

rdd = sc.parallelize(range(10),1)

rdd.sample(False,0.5,0).collect()

[1, 4, 9]

distinct

#distinct去重

rdd = sc.parallelize([1,1,2,2,3,3,4,5])

rdd.distinct().collect()

[4, 1, 5, 2, 3]

subtract

#subtract找到属于前一个rdd而不属于后一个rdd的元素

a = sc.parallelize(range(10))

b = sc.parallelize(range(5,15))

a.subtract(b).collect()

[0, 1, 2, 3, 4]

union

#union合并数据

a = sc.parallelize(range(5))

b = sc.parallelize(range(3,8))

a.union(b).collect()

[0, 1, 2, 3, 4, 3, 4, 5, 6, 7]

intersection

#intersection求交集

a = sc.parallelize(range(1,6))

b = sc.parallelize(range(3,9))

a.intersection(b).collect()

[3, 4, 5]

cartesian

#cartesian笛卡尔积

boys = sc.parallelize(["LiLei","Tom"])

girls = sc.parallelize(["HanMeiMei","Lily"])

boys.cartesian(girls).collect()

[('LiLei', 'HanMeiMei'),

('LiLei', 'Lily'),

('Tom', 'HanMeiMei'),

('Tom', 'Lily')]

sortBy

#按照某种方式进行排序

#指定按照第3个元素大小进行排序

rdd = sc.parallelize([(1,2,3),(3,2,2),(4,1,1)])

rdd.sortBy(lambda x:x[2]).collect()

[(4, 1, 1), (3, 2, 2), (1, 2, 3)]

zip

#按照拉链方式连接两个RDD，效果类似python的zip函数

#需要两个RDD具有相同的分区，每个分区元素数量相同

rdd_name = sc.parallelize(["LiLei","Hanmeimei","Lily"])

rdd_age = sc.parallelize([19,18,20])

rdd_zip = rdd_name.zip(rdd_age)

print(rdd_zip.collect())

[('LiLei', 19), ('Hanmeimei', 18), ('Lily', 20)]

zipWithIndex

#将RDD和一个从0开始的递增序列按照拉链方式连接。

rdd_name =  sc.parallelize(["LiLei","Hanmeimei","Lily","Lucy","Ann","Dachui","RuHua"])

rdd_index = rdd_name.zipWithIndex()

print(rdd_index.collect())

[('LiLei', 0), ('Hanmeimei', 1), ('Lily', 2), ('Lucy', 3), ('Ann', 4), ('Dachui', 5), ('RuHua', 6)]

四，常用PairRDD的转换操作

PairRDD指的是数据为长度为2的tuple类似(k,v)结构的数据类型的RDD,其每个数据的第一个元素被当做key，第二个元素被当做value.

reduceByKey

#reduceByKey对相同的key对应的values应用二元归并操作

rdd = sc.parallelize([("hello",1),("world",2),

("hello",3),("world",5)])

rdd.reduceByKey(lambda x,y:x+y).collect()

[('hello', 4), ('world', 7)]

groupByKey

#groupByKey将相同的key对应的values收集成一个Iterator

rdd = sc.parallelize([("hello",1),("world",2),("hello",3),("world",5)])

rdd.groupByKey().collect()

[('hello', ),

('world', )]

sortByKey

#sortByKey按照key排序,可以指定是否降序

rdd = sc.parallelize([("hello",1),("world",2),

("China",3),("Beijing",5)])

rdd.sortByKey(False).collect()

[('world', 2), ('hello', 1), ('China', 3), ('Beijing', 5)]

join

#join相当于根据key进行内连接

age = sc.parallelize([("LiLei",18),

("HanMeiMei",16),("Jim",20)])

gender = sc.parallelize([("LiLei","male"),

("HanMeiMei","female"),("Lucy","female")])

age.join(gender).collect()

[('LiLei', (18, 'male')), ('HanMeiMei', (16, 'female'))]

leftOuterJoin和rightOuterJoin

#leftOuterJoin相当于关系表的左连接

age = sc.parallelize([("LiLei",18),

("HanMeiMei",16)])

gender = sc.parallelize([("LiLei","male"),

("HanMeiMei","female"),("Lucy","female")])

age.leftOuterJoin(gender).collect()

[('LiLei', (18, 'male')), ('HanMeiMei', (16, 'female'))]

#rightOuterJoin相当于关系表的右连接

age = sc.parallelize([("LiLei",18),

("HanMeiMei",16),("Jim",20)])

gender = sc.parallelize([("LiLei","male"),

("HanMeiMei","female")])

age.rightOuterJoin(gender).collect()

[('LiLei', (18, 'male')), ('HanMeiMei', (16, 'female'))]

cogroup

#cogroup相当于对两个输入分别goupByKey然后再对结果进行groupByKey

x = sc.parallelize([("a",1),("b",2),("a",3)])

y = sc.parallelize([("a",2),("b",3),("b",5)])

result = x.cogroup(y).collect()

print(result)

print(list(result[0][1][0]))

[('a', (, )), ('b', (, ))]

[1, 3]

subtractByKey

#subtractByKey去除x中那些key也在y中的元素

x = sc.parallelize([("a",1),("b",2),("c",3)])

y = sc.parallelize([("a",2),("b",(1,2))])

x.subtractByKey(y).collect()

[('c', 3)]

foldByKey

#foldByKey的操作和reduceByKey类似，但是要提供一个初始值

x = sc.parallelize([("a",1),("b",2),("a",3),("b",5)],1)

x.foldByKey(1,lambda x,y:x*y).collect()

[('a', 3), ('b', 10)]

五，缓存操作

如果一个rdd被多个任务用作中间量，那么对其进行cache缓存到内存中对加快计算会非常有帮助。

声明对一个rdd进行cache后，该rdd不会被立即缓存，而是等到它第一次被计算出来时才进行缓存。

可以使用persist明确指定存储级别，常用的存储级别是MEMORY_ONLY和EMORY_AND_DISK。

如果一个RDD后面不再用到，可以用unpersist释放缓存，unpersist是立即执行的。

缓存数据不会切断血缘依赖关系，这是因为缓存数据某些分区所在的节点有可能会有故障，例如内存溢出或者节点损坏。

这时候可以根据血缘关系重新计算这个分区的数据。

#cache缓存到内存中，使用存储级别 MEMORY_ONLY。

#MEMORY_ONLY意味着如果内存存储不下，放弃存储其余部分，需要时重新计算。

a = sc.parallelize(range(10000),5)

a.cache()

sum_a = a.reduce(lambda x,y:x+y)

cnt_a = a.count()

mean_a = sum_a/cnt_a

print(mean_a)

#persist缓存到内存或磁盘中，默认使用存储级别MEMORY_AND_DISK

#MEMORY_AND_DISK意味着如果内存存储不下，其余部分存储到磁盘中。

#persist可以指定其它存储级别，cache相当于persist(MEMORY_ONLY)

from  pyspark.storagelevel import StorageLevel

a = sc.parallelize(range(10000),5)

a.persist(StorageLevel.MEMORY_AND_DISK)

sum_a = a.reduce(lambda x,y:x+y)

cnt_a = a.count()

mean_a = sum_a/cnt_a

a.unpersist() #立即释放缓存

print(mean_a)

六，共享变量

当spark集群在许多节点上运行一个函数时，默认情况下会把这个函数涉及到的对象在每个节点生成一个副本。

但是，有时候需要在不同节点或者节点和Driver之间共享变量。

Spark提供两种类型的共享变量，广播变量和累加器。

广播变量是不可变变量，实现在不同节点不同任务之间共享数据。

广播变量在每个机器上缓存一个只读的变量，而不是为每个task生成一个副本，可以减少数据的传输。

累加器主要是不同节点和Driver之间共享变量，只能实现计数或者累加功能。

累加器的值只有在Driver上是可读的，在节点上不可见。

#广播变量 broadcast 不可变，在所有节点可读

broads = sc.broadcast(100)

rdd = sc.parallelize(range(10))

print(rdd.map(lambda x:x+broads.value).collect())

print(broads.value)

[100, 101, 102, 103, 104, 105, 106, 107, 108, 109]

100

#累加器 只能在Driver上可读，在其它节点只能进行累加

total = sc.accumulator(0)

rdd = sc.parallelize(range(10),3)

rdd.foreach(lambda x:total.add(x))

total.value

45

# 计算数据的平均值

rdd = sc.parallelize([1.1,2.1,3.1,4.1])

total = sc.accumulator(0.1)

count = sc.accumulator(0)

def func(x):

total.add(x)

count.add(1)

rdd.foreach(func)

total.value/count.value

2.625

七，分区操作

分区操作包括改变分区操作，以及针对分区执行的一些转换操作。

glom：将一个分区内的数据转换为一个列表作为一行。

coalesce：shuffle可选，默认为False情况下窄依赖，不能增加分区。repartition和partitionBy调用它实现。

repartition：按随机数进行shuffle，相同key不一定在同一个分区

partitionBy：按key进行shuffle，相同key放入同一个分区

HashPartitioner：默认分区器，根据key的hash值进行分区，相同的key进入同一分区，效率较高，key不可为Array.

RangePartitioner：只在排序相关函数中使用，除相同的key进入同一分区，相邻的key也会进入同一分区，key必须可排序。

TaskContext:  获取当前分区id方法 TaskContext.get.partitionId

mapPartitions：每次处理分区内的一批数据，适合需要分批处理数据的情况，比如将数据插入某个表，每批数据只需要开启一次数据库连接，大大减少了连接开支

mapPartitionsWithIndex：类似mapPartitions，提供了分区索引，输入参数为(i，Iterator)

foreachPartition：类似foreach，但每次提供一个Partition的一批数据

glom

#glom将一个分区内的数据转换为一个列表作为一行。

a = sc.parallelize(range(10),2)

b = a.glom()

b.collect()

[[0, 1, 2, 3, 4], [5, 6, 7, 8, 9]]

coalesce

#coalesce 默认shuffle为False，不能增加分区，只能减少分区

#如果要增加分区，要设置shuffle = true

#parallelize等许多操作可以指定分区数

a = sc.parallelize(range(10),3)

print(a.getNumPartitions())

print(a.glom().collect())

3

[[0, 1, 2], [3, 4, 5], [6, 7, 8, 9]]

b = a.coalesce(2)

print(b.glom().collect())

[[0, 1, 2], [3, 4, 5, 6, 7, 8, 9]]

repartition

#repartition按随机数进行shuffle，相同key不一定在一个分区，可以增加分区

#repartition实际上调用coalesce实现，设置了shuffle = True

a = sc.parallelize(range(10),3)

c = a.repartition(4)

print(c.glom().collect())

[[6, 7, 8, 9], [3, 4, 5], [], [0, 1, 2]]

#repartition按随机数进行shuffle，相同key不一定在一个分区

a = sc.parallelize([("a",1),("a",1),("a",2),("c",3)])

c = a.repartition(2)

print(c.glom().collect())

[[('a', 1), ('a', 2), ('c', 3)], [('a', 1)]]

partitionBy

#partitionBy按key进行shuffle，相同key一定在一个分区

a = sc.parallelize([("a",1),("a",1),("a",2),("c",3)])

c = a.partitionBy(2)

print(c.glom().collect())

mapPartitions

#mapPartitions可以对每个分区分别执行操作

#每次处理分区内的一批数据，适合需要按批处理数据的情况

#例如将数据写入数据库时，可以极大的减少连接次数。

#mapPartitions的输入分区内数据组成的Iterator，其输出也需要是一个Iterator

#以下例子查看每个分区内的数据,相当于用mapPartitions实现了glom的功能。

a = sc.parallelize(range(10),2)

a.mapPartitions(lambda it:iter([list(it)])).collect()

[[0, 1, 2, 3, 4], [5, 6, 7, 8, 9]]

mapPartitionsWithIndex

#mapPartitionsWithIndex可以获取两个参数

#即分区id和每个分区内的数据组成的Iterator

a = sc.parallelize(range(11),2)

def func(pid,it):

s = sum(it)

return(iter([str(pid) + "|" + str(s)]))

[str(pid) + "|" + str]

b = a.mapPartitionsWithIndex(func)

b.collect()

#利用TaskContext可以获取当前每个元素的分区

from pyspark.taskcontext import TaskContext

a = sc.parallelize(range(5),3)

c = a.map(lambda x:(TaskContext.get().partitionId(),x))

c.collect()

[(0, 0), (1, 1), (1, 2), (2, 3), (2, 4)]

foreachPartitions

#foreachPartition对每个分区分别执行操作

#范例：求每个分区内最大值的和

total = sc.accumulator(0.0)

a = sc.parallelize(range(1,101),3)

def func(it):

total.add(max(it))

a.foreachPartition(func)

total.value

199.0

aggregate

#aggregate是一个Action操作

#aggregate比较复杂，先对每个分区执行一个函数，再对每个分区结果执行一个合并函数。

#例子：求元素之和以及元素个数

#三个参数，第一个参数为初始值，第二个为分区执行函数，第三个为结果合并执行函数。

rdd = sc.parallelize(range(1,21),3)

def inner_func(t,x):

return((t[0]+x,t[1]+1))

def outer_func(p,q):

return((p[0]+q[0],p[1]+q[1]))

rdd.aggregate((0,0),inner_func,outer_func)

(210, 20)

aggregateByKey

#aggregateByKey的操作和aggregate类似，但是会对每个key分别进行操作

#第一个参数为初始值，第二个参数为分区内归并函数，第三个参数为分区间归并函数

a = sc.parallelize([("a",1),("b",1),("c",2),

("a",2),("b",3)],3)

b = a.aggregateByKey(0,lambda x,y:max(x,y),

lambda x,y:max(x,y))

b.collect()

[('b', 3), ('a', 2), ('c', 2)]