Spark笔记汇总 — 未完结

一、RDD===>Value类型

object Test {
  def main(args: Array[String]): Unit = {

    val conf = new SparkConf().setAppName("Spark").setMaster("local[*]")
    val sc = new SparkContext(conf)
    val listRDD: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4, 5, 6, 6, 3), 3)

    //sc.textFile("in").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect().foreach(println)

    //1.map,作用：返回一个新的RDD，该RDD由每一个输入元素经过func函数转换后组成
    listRDD.map(_ * 2).collect().foreach(println)

    //2.mapPartitions,作用：类似于map，但独立地在RDD的每一个分片上运行，因此在类型为T的RDD上运行时，func的函数类型必须是Iterator[T] => Iterator[U]。
    listRDD.mapPartitions(datas => datas.map(_ * 2)).collect().foreach(println)

    //3.mapPartitionsWithIndex,作用：类似于mapPartitions，但func带有一个整数参数表示分片的索引值，因此在类型为T的RDD上运行时，func的函数类型必须是(Int, Interator[T]) => Iterator[U]
    listRDD.mapPartitionsWithIndex((index, datas) => datas.map((index, _))).collect().foreach(println)

    //4.flatMap,作用：类似于map，但是每一个输入元素可以被映射为0或多个输出元素（所以func应该返回一个序列，而不是单一元素）
    listRDD.flatMap(1 to _).collect().foreach(println)

    //5.glom,作用：将每一个分区形成一个数组，形成新的RDD类型时RDD[Array[T]]
    listRDD.glom().collect().foreach(arr => {
      println(arr.mkString(","))
    })

    //6.groupBy,作用：分组，按照传入函数的返回值进行分组。将相同的key对应的值放入一个迭代器。
    listRDD.groupBy(_ % 2 == 0).collect().foreach(println)

    //7.filter,作用:过滤.返回一新的RDD,该RDD由经过func函数计算后返回值为true的输入元素组成。
    listRDD.filter(x => x % 2 == 0).collect().foreach(println)

    //8.sample:1.是否放回；2.分数；3.随机数种子,作用：以指定的随机种子随机抽样出数量为fraction的数据，withReplacement表示是抽出的数据是否放回，true为有放回的抽样，false为无放回的抽样，seed用于指定随机数生成器种子。
    listRDD.sample(true, 0.6, 10).collect().foreach(println)

    //9.distinct,打散，去重===》shuffle,作用：对源RDD进行去重后返回一个新的RDD。默认情况下，只有8个并行任务来操作，但是可以传入一个可选的numTasks参数改变它。
    listRDD.distinct().collect().foreach(println)

    //10.coalesce：缩减分区，只能减少，不能增加,作用：缩减分区数，用于大数据集过滤后，提高小数据集的执行效率。
    println("coalesce 前：" + listRDD.partitions.size)
    val after: RDD[Int] = listRDD.coalesce(2)
    println("coalesce 后：" + after.partitions.size)

    //11.repartition(numPartitions)作用：根据分区数，重新通过网络随机洗牌所有数据
    println("前："+listRDD.partitions.size)
    val value = listRDD.repartition(2)
    println("后："+value.partitions.size)

    //12.sortBy(func,[ascending], [numTasks])
      作用:使用func先对数据进行处理，按照处理后的数据比较结果排序，默认为正序。
    listRDD.sortBy(x=>x).collect().foreach(println)
    listRDD.sortBy(x=>x%3,false).collect().foreach(println)
  }

}

附：

1.map()和mapPartition()的区别

map()：每次处理一条数据；
mapPartition()：每次处理一个分区的数据，这个分区的数据处理完后，原RDD中分区的数据才能释放，可能导致OOM；
开发指导：当内存空间较大的时候建议使用mapPartition()，以提高处理效率。

2.coalesce和repartition的区别

coalesce重新分区，可以选择是否进行shuffle过程。由参数shuffle: Boolean = false/true决定；
repartition实际上是调用的coalesce，默认是进行shuffle的。源码如下：

def repartition(numPartitions: Int)(implicit ord: Ordering[T] = null): RDD[T] = withScope {
coalesce(numPartitions, shuffle = true)
}

13.pipe(command, [envVars])，作用：管道，针对每个分区，都执行一个shell脚本，返回输出的RDD。

注意：脚本需要放在Worker节点可以访问到的位置

（1）编写一个脚本
Shell脚本
#!/bin/sh
echo "AA"
while read LINE; do
   echo ">>>"${LINE}
done

（2）创建一个只有一个分区的RDD
scala> val rdd = sc.parallelize(List("hi","Hello","how","are","you"),1)

（3）将脚本作用该RDD并打印
scala> rdd.pipe("/opt/module/spark/pipe.sh").collect()

（4）创建一个有两个分区的RDD
scala> val rdd = sc.parallelize(List("hi","Hello","how","are","you"),2)

（5）将脚本作用该RDD并打印
scala> rdd.pipe("/opt/module/spark/pipe.sh").collect()
res19: Array[String] = Array(AA, >>>hi, >>>Hello, AA, >>>how, >>>are, >>>you)

二、双Value类型交互

1.union(otherDataset)，作用：对源RDD和参数RDD求并集后返回一个新的RDD
（1）创建第一个RDD
scala> val rdd1 = sc.parallelize(1 to 5)
（2）创建第二个RDD
scala> val rdd2 = sc.parallelize(5 to 10)
（3）计算两个RDD的并集
scala> val rdd3 = rdd1.union(rdd2)
（4）打印并集结果
scala> rdd3.collect()
res18: Array[Int] = Array(1, 2, 3, 4, 5, 5, 6, 7, 8, 9, 10)

---------------------------------------------------------------------------------------

2.subtract(otherDataset)，作用：计算差的一种函数，去除两个RDD中相同的元素，不同的RDD将保留下来
（1）创建第一个RDD
scala> val rdd = sc.parallelize(3 to 8)
（2）创建第二个RDD
scala> val rdd1 = sc.parallelize(1 to 5)
（3）计算第一个RDD与第二个RDD的差集并打印
scala> rdd.subtract(rdd1).collect()
res27: Array[Int] = Array(8, 6, 7)

----------------------------------------------------------------------------------------

3.intersection(otherDataset)，作用：对源RDD和参数RDD求交集后返回一个新的RDD
（1）创建第一个RDD
scala> val rdd1 = sc.parallelize(1 to 7)
（2）创建第二个RDD
scala> val rdd2 = sc.parallelize(5 to 10)
（3）计算两个RDD的交集
scala> val rdd3 = rdd1.intersection(rdd2)
（4）打印计算结果
scala> rdd3.collect()
res19: Array[Int] = Array(5, 6, 7)

----------------------------------------------------------------------------------------

4.cartesian(otherDataset)，作用：笛卡尔积（尽量避免使用）
（1）创建第一个RDD
scala> val rdd1 = sc.parallelize(1 to 3)
（2）创建第二个RDD
scala> val rdd2 = sc.parallelize(2 to 5)
（3）计算两个RDD的笛卡尔积并打印
scala> rdd1.cartesian(rdd2).collect()
res17: Array[(Int, Int)] = Array((1,2), (1,3), (1,4), (1,5), (2,2), (2,3), (2,4), (2,5), (3,2), (3,3), (3,4), (3,5))

----------------------------------------------------------------------------------------

5.zip(otherDataset)，作用：将两个RDD组合成Key/Value形式的RDD,这里默认两个RDD的partition数量以及元素数量都相同，否则会抛出异常。
（1）创建第一个RDD
scala> val rdd1 = sc.parallelize(Array(1,2,3),3)
（2）创建第二个RDD（与1分区数相同）
scala> val rdd2 = sc.parallelize(Array("a","b","c"),3)
（3）第一个RDD组合第二个RDD并打印
scala> rdd1.zip(rdd2).collect
res1: Array[(Int, String)] = Array((1,a), (2,b), (3,c))
（4）第二个RDD组合第一个RDD并打印
scala> rdd2.zip(rdd1).collect
res2: Array[(String, Int)] = Array((a,1), (b,2), (c,3))
（5）创建第三个RDD（与1,2分区数不同）
scala> val rdd3 = sc.parallelize(Array("a","b","c"),2)
（6）第一个RDD组合第三个RDD并打印
scala> rdd1.zip(rdd3).collect
java.lang.IllegalArgumentException: Can't zip RDDs with unequal numbers of partitions: List(3, 2)

三、Key-Value类型

1.partitionBy，作用：对pairRDD进行分区操作，如果原有的partionRDD和现有的partionRDD是一致的话就不进行分区， 否则会生成ShuffleRDD，即会产生shuffle过程。
（1）创建一个RDD
scala> val rdd = sc.parallelize(Array((1,"aaa"),(2,"bbb"),(3,"ccc"),(4,"ddd")),4)
（2）查看RDD的分区数
scala> rdd.partitions.size
res24: Int = 4
（3）对RDD重新分区
scala> var rdd2 = rdd.partitionBy(new org.apache.spark.HashPartitioner(2))
（4）查看新RDD的分区数
scala> rdd2.partitions.size
res25: Int = 2

----------------------------------------------------------------------------------------

2.groupByKey，作用：groupByKey也是对每个key进行操作，但只生成一个sequence。
（1）创建一个pairRDD
scala> val words = Array("one", "two", "two", "three", "three", "three")
scala> val wordPairsRDD = sc.parallelize(words).map(word => (word, 1))
（2）将相同key对应值聚合到一个sequence中
scala> val group = wordPairsRDD.groupByKey()
（3）打印结果
scala> group.collect()
res1: Array[(String, Iterable[Int])] = Array((two,CompactBuffer(1, 1)), (one,CompactBuffer(1)), (three,CompactBuffer(1, 1, 1)))
（4）计算相同key对应值的相加结果
scala> group.map(t => (t._1, t._2.sum))
（5）打印结果
scala> res2.collect()
res3: Array[(String, Int)] = Array((two,2), (one,1), (three,3))

----------------------------------------------------------------------------------------

3.reduceByKey(func, [numTasks])，在一个(K,V)的RDD上调用，返回一个(K,V)的RDD，使用指定的reduce函数，将相同key的值聚合到一起，reduce任务的个数可以通过第二个可选的参数来设置。
（1）创建一个pairRDD
scala> val rdd = sc.parallelize(List(("female",1),("male",5),("female",5),("male",2)))
（2）计算相同key对应值的相加结果
scala> val reduce = rdd.reduceByKey((x,y) => x+y)
（3）打印结果
scala> reduce.collect()
res29: Array[(String, Int)] = Array((female,6), (male,7))

---------------------------------------------------------------------------------------

4.aggregateByKey,参数：(zeroValue:U,[partitioner: Partitioner]) (seqOp: (U, V) => U,combOp: (U, U) => U),作用：在kv对的RDD中，，按key将value进行分组合并，合并时，将每个value和初始值作为seq函数的参数，进行计算，返回的结果作为一个新的kv对，然后再将结果按照key进行合并，最后将每个分组的value传递给combine函数进行计算（先将前两个value进行计算，将返回结果和下一个value传给combine函数，以此类推），将key与计算结果作为一个新的kv对输出。
（1）创建一个pairRDD
scala> val rdd = sc.parallelize(List(("a",3),("a",2),("c",4),("b",3),("c",6),("c",8)),2)
（2）取出每个分区相同key对应值的最大值，然后相加
scala> val agg = rdd.aggregateByKey(0)(math.max(_,_),_+_)
（3）打印结果
scala> agg.collect()
res0: Array[(String, Int)] = Array((b,3), (a,3), (c,12))

--------------------------------------------------------------------------------------

5.foldByKey,参数：(zeroValue: V)(func: (V, V) => V): RDD[(K, V)]
  作用：aggregateByKey的简化操作，seqop和combop相同
（1）创建一个pairRDD
scala> val rdd = sc.parallelize(List((1,3),(1,2),(1,4),(2,3),(3,6),(3,8)),3)
（2）计算相同key对应值的相加结果
scala> val agg = rdd.foldByKey(0)(_+_)
（3）打印结果
scala> agg.collect()
res61: Array[(Int, Int)] = Array((3,14), (1,9), (2,3))

--------------------------------------------------------------------------------------

6.combineByKey[C],作用：对相同K，把V合并成一个集合。
参数：(createCombiner: V => C,  mergeValue: (C, V) => C,  mergeCombiners: (C, C) => C)
（1）创建一个pairRDD
scala> val input = sc.parallelize(Array(("a", 88), ("b", 95), ("a", 91), ("b", 93), ("a", 95), ("b", 98)),2)
（2）将相同key对应的值相加，同时记录该key出现的次数，放入一个二元组
scala> val combine = 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))
（3）打印合并后的结果
scala> combine.collect
res5: Array[(String, (Int, Int))] = Array((b,(286,3)), (a,(274,3)))
（4）计算平均值
scala> val result = combine.map{case (key,value) => (key,value._1/value._2.toDouble)}
（5）打印结果
scala> result.collect()
res33: Array[(String, Double)] = Array((b,95.33333333333333), (a,91.33333333333333))

---------------------------------------------------------------------------------------

7.sortByKey([ascending], [numTasks])
作用：在一个(K,V)的RDD上调用，K必须实现Ordered接口，返回一个按照key进行排序的(K,V)的RDD
（1）创建一个pairRDD
scala> val rdd = sc.parallelize(Array((3,"aa"),(6,"cc"),(2,"bb"),(1,"dd")))
（2）按照key的正序
scala> rdd.sortByKey(true).collect()
（3）按照key的倒序
scala> rdd.sortByKey(false).collect()
res10: Array[(Int, String)] = Array((6,cc), (3,aa), (2,bb), (1,dd))

---------------------------------------------------------------------------------------

8.mapValues,针对于(K,V)形式的类型只对V进行操作
（1）创建一个pairRDD
scala> val rdd3 = sc.parallelize(Array((1,"a"),(1,"d"),(2,"b"),(3,"c")))
（2）对value添加字符串"|||"
scala> rdd3.mapValues(_+"|||").collect()
res26: Array[(Int, String)] = Array((1,a|||), (1,d|||), (2,b|||), (3,c|||))

-------------------------------------------------------------------------------------

9.join(otherDataset, [numTasks])
作用：在类型为(K,V)和(K,W)的RDD上调用，返回一个相同key对应的所有元素对在一起的(K,(V,W))的RDD
（1）创建第一个pairRDD
scala> val rdd = sc.parallelize(Array((1,"a"),(2,"b"),(3,"c")))
（2）创建第二个pairRDD
scala> val rdd1 = sc.parallelize(Array((1,4),(2,5),(3,6)))
（3）join操作并打印结果
scala> rdd.join(rdd1).collect()
res13: Array[(Int, (String, Int))] = Array((1,(a,4)), (2,(b,5)), (3,(c,6)))

-------------------------------------------------------------------------------------

10.cogroup(otherDataset, [numTasks])
作用：在类型为(K,V)和(K,W)的RDD上调用，返回一个(K,(Iterable<V>,Iterable<W>))类型的RDD
（1）创建第一个pairRDD
scala> val rdd = sc.parallelize(Array((1,"a"),(2,"b"),(3,"c")))
（2）创建第二个pairRDD
scala> val rdd1 = sc.parallelize(Array((1,4),(2,5),(3,6)))
（3）cogroup两个RDD并打印结果
scala> rdd.cogroup(rdd1).collect()
res14: Array[(Int, (Iterable[String], Iterable[Int]))] = Array((1,(CompactBuffer(a),CompactBuffer(4))), (2,(CompactBuffer(b),CompactBuffer(5))), (3,(CompactBuffer(c),CompactBuffer(6))))

附录：reduceByKey和groupByKey的区别

reduceByKey：按照key进行聚合，在shuffle之前有combine（预聚合）操作，返回结果是RDD[k,v]
groupByKey：按照key进行分组，直接进行shuffle
开发指导：reduceByKey比groupByKey，建议使用。但是需要注意是否会影响业务逻辑

案例：

/**
  * 数据结构：时间戳，省份，城市，用户，广告，中间字段使用空格分割
  * 样本：1516609143867 6 7 64 16
  * 需求：统计出每一个省份广告被点击次数的TOP3
  */
object CountTest {

  def main(args: Array[String]): Unit = {

    val conf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("CountTest")
    val sc: SparkContext = new SparkContext(conf)
    //((省份，广告),1)
    val lineMap: RDD[((String, String), Int)] = sc.textFile("in/agent.txt").map(x => {
      val strings: Array[String] = x.split(" ")
      ((strings(1), strings(4)), 1)
    })

    //((省份，广告),sum)
    val reduceRdd: RDD[((String, String), Int)] = lineMap.reduceByKey(_+_)

    //(省份，(广告，sum))
    val mapRdd: RDD[(String, (String, Int))] = reduceRdd.map(t=>(t._1._1,(t._1._2,t._2)))

    val groupRDD: RDD[(String, List[(String, Int)])] = mapRdd.groupByKey().mapValues(t => {
      t.toList.sortWith((x, y) => (x._2 > y._2)).take(3)
    }).sortByKey()

    groupRDD.collect().foreach(println)
  }
}

Spark笔记汇总 — 未完结

猜你喜欢