Spark 基础 —— RDD（一）

1. Spark 为 RDD 提供的成员函数

.stats()：包括（count：计数，mean：均值，stdev：标准差，max：最大，min：最小值）

countByValue：执行统计计数

根据值统计出现的次数；

scala> val animals = sc.parallelize(List("Dog", "Cat", "Tiger", "Cat"), 2)
scala> animals.countByValue()
scala.collection.Map[String,Long] = Map(Dog -> 1, Cat -> 2, Tiger -> 1)

该成员函数更重要的意义在于，将数据从

org.apache.spark.rdd.RDD[String] = ParallelCollectionRDD[8]

类型变为了：

scala.collection.Map[String,Long] = Map(Dog -> 1, Cat -> 2, Tiger -> 1)

2. 基本操作

val rawblocks = sc.textFile("linkage")
rawblocks
val head = rawblocks.take(10)
head.length
head.foreach(println)# 函数式编程# 将函数 println 作为参数传递给另一个函数以执行某个动作

声明函数

def isHeader(line: String) = line.contains("id_1")# 和 Python 类似，Scala 声明函数使用关键字 def# 和 Python 不同的是，我们必须为参数指定参数类型# 函数返回值无需指定类型，使用类型推断

有时候我们希望能显式地指明函数返回类型，特别是碰到函数体很长，代码复杂并且包含多个 return 语句的情况。这时，Scala 编译器不一定能推断出函数的返回类型，为了函数代码的可读性更好，也可以指明函数的返回类型。这样在阅读代码的时候，就不必重新把整个函数读一遍了。

def isHeader(line: String): Boolean = {line.contains("id_1");
}

通过用 Scala 的 Array 类的 filter 方法打印输出结果，可以在 head 数组上测试新编写的 Scala 函数：

head.filter(isHeader).foreach(println)
head.filterNot(isHeader).foreach(println)

还可以利用 Scala 对匿名函数的支持，在 filter 函数里面对 isHeader 函数取非：

head.filter(x => !isHeader(x)).foreach(println)

Scala 程序员最讨厌的就是键盘输入，因此 Scala 设计了许多小功能来减少输入，比如在匿名函数的定义中，为了定义匿名函数并给参数指定名称，只输入了字符 x => 。但像这么简单的匿名函数，甚至都没必要这么做：Scala 允许使用下划线_（正如 Python 迭代时，for _ in range(n)）表示匿名函数的参数，也即这样：

head.filter(!isHeader(_)).foreach(println)

3. 用元组和 case class 对数据进行结构化

和 Python 一样，Scala 有内置 tuple 类型，可用于快速创建二元组，三元组和更多不同类型数值的集合，是一种表示记录的简单方法。

val line = head(5)
val pieces = line.split(',')

注意访问数组元素时用圆括号而不是方括号，Scala 语言访问数组元素是函数调用，不是什么特殊操作符。Scala 允许在类里定义一个特殊函数 apply，当把对象当作函数处理的时候，这个 apply 函数就会被调用，所以 head(5) 其实等价与 head.apply(5).

def toDouble(s: String) = {if ("?".equals(s)) Double.NaN else s.toDouble
}
def parse(line: String) = {val pieces = line.split(',')val id1 = pieces(0).toIntval id2 = pieces(1).toIntval scores = pieces.slice(2, 11).map(toDouble)val matched = pieces(11).toBoolean(id1, id2, scores, matched)
}