【菜鸟系列】spark常用算子总结（scala、java）--map，flatMap，flatMapToPair

map，flatMap，flatMapToPair是最常用的算子，map算子的输入和输出是一对一的，也就是子RDD的分区与父RDD的分区时一对一的关系；flatMap是压平，输入和输出是一对多的关系；需要注意的是：scala版本的map可以将RDD转成PairRDD，但是在java版本中，这个功能是通过mapToPair函数实现的，需要实现PairFunction函数；scala版本没有flatMapToPair函数，是通过先flatMap，在map来实现的；java版本的flatMapToPair，需要实现PairFlatMapFunction函数；java版本的flatMap是实现FlatMapFunction

scala
map样例

val conf = new SparkConf().setAppName("jiangtao_demo").setMaster("local")
  val sc = new SparkContext(conf)
  val data = sc.makeRDD(List("pandas pip","numpy","pip","pip","pip"))
  //map函数是一对一的，scala中map函数可以将rdd转为pairrdd，java是两个函数，map和mapToPair
  val rdd1 = data.map((_,1))

flatMap样例

  val conf = new SparkConf().setAppName("jiangtao_demo").setMaster("local")
  val sc = new SparkContext(conf)
  val data = sc.makeRDD(List("pandas pip","numpy","pip","pip","pip"))
  //flatMap是将数据压平，输出的是一对多的，在此例中输出的是6个元素
  val rdd2 = data.flatMap(_.split(" "))

wordcount

sc.textFile("hdfs://bjdx_clusters/test").flatMap(_.split(" ")).map((_+_)).reduceByKey(_+_)

================================================================
java
map样例
输入与输出是一对一的关系！！！！！

SparkConf conf = new SparkConf().setAppName("jiangtao_demo").setMaster("local");
        JavaSparkContext jsc = new JavaSparkContext(conf);
        //并行集合生成JavaRDD
        JavaRDD lines = jsc.parallelize(Arrays.asList("pandas pip","numpy","pip","pip","pip"));
        //map 输出包含newTail的元素
        JavaRDD<String> mapResult = lines.map(new Function<String,String>() {
            @Override
            public String call(String o) throws Exception {
                return o.concat("newTail");
            }
        });

        //map算子输入与输出一对一，输出结果为
        JavaRDD<Iterable<Tuple2<String,Integer>>> maprdd = lines.map(new Function<String,Iterable<Tuple2<String,Integer>>>(){
            public Iterable<Tuple2<String,Integer>> call(String line) throws Exception{
                String[] fields = line.split(" ");
                ArrayList<Tuple2<String,Integer>> al = new ArrayList<Tuple2<String,Integer>>();
                for(int i=0; i<fields.length;i++){
                    al.add(new Tuple2(fields[i],1));
                }
                return al;
            }
        });

//map算子输入与输出一对一
        // 结果：[[(pandas,1), (pip,1)], [(numpy,1)], [(pip,1)], [(pip,1)], [(pip,1)]]
        JavaRDD<Iterable<Tuple2<String,Integer>>> maprdd = lines.map(new Function<String,Iterable<Tuple2<String,Integer>>>(){
            public Iterable<Tuple2<String,Integer>> call(String line) throws Exception{
                String[] fields = line.split(" ");
                ArrayList<Tuple2<String,Integer>> al = new ArrayList<Tuple2<String,Integer>>();
                for(int i=0; i<fields.length;i++){
                    al.add(new Tuple2(fields[i],1));
                }
                return al;
            }
        });

flatMap
与输入是一对多的关系，返回的是可迭代的list

JavaRDD<String> flatMapResult = lines.flatMap(new FlatMapFunction<String,String>() {
            @Override
            public Iterable<String> call(String line) throws Exception {
                return Arrays.asList(line.toString().split(" "));
            }
        });

flatMapToPair
注意返回值，返回的是list，里面封装了tuple2

JavaPairRDD<String,Integer> result1 = lines.flatMapToPair(new PairFlatMapFunction<String,String,Integer>(){
            @Override
            public Iterable<Tuple2<String,Integer>> call(String line) throws Exception {
                String[] fields = line.split(" ");
                ArrayList<Tuple2<String,Integer>> al = new ArrayList<Tuple2<String,Integer>>();
                for(int i=0; i<fields.length; i++){
                    al.add(new Tuple2<String,Integer>(fields[i],1));
                }
                return al;
            }
        });

后续会补全更多的常用算子，敬请关注，此文原创，转载请注明出处