• SPARK基本编程

    1、RDD创建

    1）从集合（内存）中创建 RDD

    从集合中创建RDD，Spark主要提供了两个方法：parallelize和makeRDD

    1.     // 创建 Spark 运行配置对象
    2.     val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
    3.     // 创建 Spark 上下文环境对象（连接对象）
    4.     val sc = new SparkContext(sparkConf)
    5.     //通过内存创建RDD
    6.     val rdd1 = sc.parallelize(List(1, 2, 3, 4))
    7.     val rdd2 = sc.makeRDD(List(1, 2, 3, 4))
    8.     
    9.     rdd1.collect().foreach(println)
    10.     rdd2.collect().foreach(println)

    -- 从底层代码实现来讲，makeRDD方法其实就是parallelize方法

    2）从外部存储（文件）创建 RDD

    由外部存储系统的数据集创建RDD包括：本地的文件系统，所有Hadoop支持的数据集

    比如HDFS、HBase等。

    1.     // 创建 Spark 运行配置对象
    2.     val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
    3.     // 创建 Spark 上下文环境对象（连接对象）
    4.     val sc = new SparkContext(sparkConf)
    5.     //通过外部文件创建RDD
    6.     var rdd3: RDD[String] = sc.textFile("input")
    7.     rdd3.collect().foreach(println)
    8.     sc.stop()

    3）从其他 RDD 创建

    主要是通过一个RDD 运算完后，再产生新的 RDD

    4）直接创建 RDD new

    使用new 的方式直接构造 RDD

    2、RDD 并行度与分区

    Spark可以将一个作业切分多个任务后，发送给Executor节点并行计算，而能够并行计算的任务数量我们称之为并行度。-- 并行执行的任务数量，并不是指的切分任务的数量

    1.     // 创建 Spark 运行配置对象
    2.     val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
    3.     // 创建 Spark 上下文环境对象（连接对象）
    4.     val sc = new SparkContext(sparkConf)
    5.     //通过外部文件创建RDD
    6.     var rdd3: RDD[String] = sc.textFile("input",4)
    7.     rdd3.collect().foreach(println)
    8.     sc.stop()

    读取内存数据时，数据可以按照并行度的设定进行数据的分区操作；读取文件数据时，数据是按照Hadoop文件读取的规则进行切片分区，而切片规则和数据读取的规则有些差异。

    3、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 

    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。

    1.     val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("TranstionRDD01")
    2.     val sc: SparkContext = new SparkContext(sparkConf)
    3.     val sourceRDD: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4))
    4.     val doubleRDD: RDD[Int] = sourceRDD.map(line => line * 2)
    5.     val StringRDD: RDD[String] = sourceRDD.map(line => line.toString)
    6.     doubleRDD.collect().foreach(println)
    7.     StringRDD.collect().foreach(println)
    8.     sc.stop()

    2) map Partitions

    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。

    1.     val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("TranstionRDD01")
    2.     val sc: SparkContext = new SparkContext(sparkConf)
    3.     val sourceRDD: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4))
    4.     val doubleRDD: RDD[Int] = sourceRDD.mapPartitions(datas => datas.filter(_>=2))
    5.     doubleRDD.collect().foreach(println)
    6.     sc.stop()

    map和mapPartitions的区别

    ➢ 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。
    ➢ 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
    ➢ 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。

    3) mapPartitionsWithIndex

    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。

    1.     val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("TranstionRDD01")
    2.     val sc: SparkContext = new SparkContext(sparkConf)
    3.     val sourceRDD: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4))
    4.  
    5.     val mapPartitionRDD: RDD[(Int, Int)] = sourceRDD.mapPartitionsWithIndex(
    6.       (index, datas) => {
    7.         datas.map(line => (index, line)).filter(_._1>5)
    8.       }
    9.     )
    10.     mapPartitionRDD.collect().foreach(println)
    11.     sc.stop()

    4) flatMap

    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

    1.     val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("TranstionRDD01")
    2.     val sc: SparkContext = new SparkContext(sparkConf)
    3.     val sourceRDD= sc.makeRDD(List(List(1,2),List(3,4)),1)
    4.     val flatmapRDD = sourceRDD.flatMap(list => list)
    5.     flatmapRDD.collect().foreach(println)
    6.     sc.stop()

    >将List(List(1,2),3,List(4,5))进行扁平化操作

    1.     val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("TranstionRDD01")
    2.     val sc: SparkContext = new SparkContext(sparkConf)
    3.     val sourceRDD= sc.makeRDD(List(List(1,2),3,List(4,5)),1)
    4.     val flatmapRDD = sourceRDD.flatMap(list =>
    5.       list match {
    6.         case list:List[_] => list
    7.         case dat => List(dat)
    8.       }
    9.     )
    10.     flatmapRDD.collect().foreach(println)
    11.     sc.stop()

    5) glom

    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

    1.     val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("TranstionRDD01")
    2.     val sc: SparkContext = new SparkContext(sparkConf)
    3.     val sourceRDD= sc.makeRDD(List(1,2,3,4,5),1)
    4.     val glomRDD: RDD[Array[Int]] = sourceRDD.glom()
    5.     glomRDD.collect().foreach(data=>println(data.mkString(",")))
    6.     sc.stop()

    6) groupBy

    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

    1.     val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("TranstionRDD01")
    2.     val sc: SparkContext = new SparkContext(sparkConf)
    3.     val sourceRDD= sc.makeRDD(List("Hello", "hive", "hbase", "Hadoop"))
    4.     val mapRDD: RDD[(String, String)] = sourceRDD.map(line => (line.take(1), line))
    5.     val groupRDD: RDD[(String, Iterable[(String, String)])] = mapRDD.groupBy(_._1)
    6.     groupRDD.collect().foreach(println)
    7.     sc.stop()

    7) filter

    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。

    1.     val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("TranstionRDD01")
    2.     val sc: SparkContext = new SparkContext(sparkConf)
    3.     val sourceRDD= sc.makeRDD(List(1,2,3,4),1)
    4.     val filterRDD = sourceRDD.filter(_%2 == 0)
    5.     filterRDD.collect().foreach(println)
    6.     sc.stop()

    8) sample

    根据指定的规则从数据集中抽取数据

    1.     val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("TranstionRDD01")
    2.     val sc: SparkContext = new SparkContext(sparkConf)
    3.     val dataRDD = sc.makeRDD(List(
    4.       1,2,3,4
    5.     ))
    6.       // 抽取数据不放回（伯努利算法）
    7.       // 伯努利算法：又叫 0 、 1 分布。例如扔硬币，要么正面，要么反面。
    8.       // 具体实现：根据种子和随机算法算出一个数和第二个参数设置几率比较，小于第二个参数要，大于不要
    9.     // 第一个参数：抽取的数据是否放回， false ：不放回
    10.     // 第二个参数：抽取的几率，范围在 [ 之间 ,0 ：全不取 1 ：全取
    11.     // 第三个参数：随机数种子
    12.     val dataRDD1 = dataRDD.sample(false, 0.5)
    13.     // 抽取数据放回（泊松算法）
    14.     // 第一个参数：抽取的数据是否放回， true ：放回 false ：不放回
    15.     // 第二个参数：重复数据的几率，范围大于等于 0. 表示每一个元素被期望抽取到的次数
    16.     // 第三个参数：随机数种子
    17.     val dataRDD2 = dataRDD.sample(true, 2)
    18.     dataRDD1.collect().foreach(println)
    19.     dataRDD2.collect().foreach(println)
    20.     sc.stop()

    9) distinct

    将数据集中重复的数据去重

    1.     val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("TranstionRDD01")
    2.     val sc: SparkContext = new SparkContext(sparkConf)
    3.     val dataRDD = sc.makeRDD(List(
    4.       1,2,3,4,1,2,3,3,3
    5.     ))
    6.  
    7.     val dataRDD1 = dataRDD.distinct()
    8.     val dataRDD2 = dataRDD.distinct()
    9.  
    10.     dataRDD1.collect().foreach(println)
    11.     dataRDD2.collect().foreach(println)
    12.     sc.stop()

    10) coalesce

    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

    1.     val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("TranstionRDD01")
    2.     val sc: SparkContext = new SparkContext(sparkConf)
    3.     val dataRDD = sc.makeRDD(List(
    4.       1,2,3,4,1,2,3,3,3
    5.     ),6)
    6.     val dataRDD1 = dataRDD.coalesce(2).glom
    7.     dataRDD1.collect().foreach(data=>println(data.mkString(",")))
    8.     sc.stop()

    11) repartition

    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。

    1.     val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("TranstionRDD01")
    2.     val sc: SparkContext = new SparkContext(sparkConf)
    3.     val dataRDD = sc.makeRDD(List(
    4.       1,2,3,4,1,2,3,3,3
    5.     ),6)
    6.     val dataRDD1 = dataRDD.repartition(3).glom()
    7.     dataRDD1.collect().foreach(data=>println(data.mkString(",")))
    8.     sc.stop()

    12) sortBy

    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

    1.     val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("TranstionRDD01")
    2.     val sc: SparkContext = new SparkContext(sparkConf)
    3.     val dataRDD = sc.makeRDD(List(
    4.       1,2,3,4,1,2,3,3,3
    5.     ),6)
    6.     val dataRDD1 = dataRDD.sortBy(num=>num,true,5).glom()
    7.     dataRDD1.collect().foreach(data=>println(data.mkString(",")))
    8.     sc.stop()

    双Value类型

    13) intersection

    对源RDD和参数RDD求交集后返回一个新的RDD

    1.     // 创建 Spark 运行配置对象
    2.     val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
    3.     // 创建 Spark 上下文环境对象（连接对象）
    4.     val sc = new SparkContext(sparkConf)
    5.     //通过外部文件创建RDD
    6.     val dataRDD1 = sc.makeRDD(List(1,2,3,4))
    7.     val dataRDD2 = sc.makeRDD(List(3,4,5,6))
    8.     val dataRDD = dataRDD1.intersection(dataRDD2)
    9.     dataRDD.collect().foreach(println)
    10.     sc.stop()

    14) union

    对源RDD和参数RDD求并集后返回一个新的RDD

    1.     // 创建 Spark 运行配置对象
    2.     val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
    3.     // 创建 Spark 上下文环境对象（连接对象）
    4.     val sc = new SparkContext(sparkConf)
    5.     //通过外部文件创建RDD
    6.     val dataRDD1 = sc.makeRDD(List(1,2,3,4))
    7.     val dataRDD2 = sc.makeRDD(List(3,4,5,6))
    8.     val dataRDD = dataRDD1.union(dataRDD2)
    9.     dataRDD.collect().foreach(println)
    10.     sc.stop()

    15) subtract

    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

    1.     // 创建 Spark 运行配置对象
    2.     val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
    3.     // 创建 Spark 上下文环境对象（连接对象）
    4.     val sc = new SparkContext(sparkConf)
    5.     //通过外部文件创建RDD
    6.     val dataRDD1 = sc.makeRDD(List(1,2,3,4))
    7.     val dataRDD2 = sc.makeRDD(List(3,4,5,6))
    8.     val dataRDD = dataRDD1.subtract(dataRDD2)
    9.     dataRDD.collect().foreach(println)
    10.     sc.stop()

    16) zip

    spark入门课程
    zip 0星 超过10%的资源 35.84MB
    下载

    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。

    1.     // 创建 Spark 运行配置对象
    2.     val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
    3.     // 创建 Spark 上下文环境对象（连接对象）
    4.     val sc = new SparkContext(sparkConf)
    5.     //通过外部文件创建RDD
    6.     val dataRDD1 = sc.makeRDD(List(1,2,3,4))
    7.     val dataRDD2 = sc.makeRDD(List(3,4,5,6))
    8.     val dataRDD = dataRDD1.zip(dataRDD2)
    9.     dataRDD.collect().foreach(println)
    10.     sc.stop()

    Key - Value类型

    17) partitionBy

    将数据按照指定Partitioner重新进行分区。Spark默认的分区器是HashPartitioner

    1.     // 创建 Spark 运行配置对象
    2.     val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
    3.     // 创建 Spark 上下文环境对象（连接对象）
    4.     val sc = new SparkContext(sparkConf)
    5.     //通过外部文件创建RDD
    6.     val rdd: RDD[(Int, String)] =
    7.       sc.makeRDD(Array((1,"aaa"),(2,"bbb"),(3,"ccc")),3)
    8.     import org.apache.spark.HashPartitioner
    9.     val rdd2: RDD[(Int, String)] = rdd.partitionBy(new HashPartitioner(2))
    10.     rdd2.collect().foreach(println)
    11.     sc.stop()

    18) reduceByKey

    可以将数据按照相同的Key对Value进行聚合

    1.     // 创建 Spark 运行配置对象
    2.     val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
    3.     // 创建 Spark 上下文环境对象（连接对象）
    4.     val sc = new SparkContext(sparkConf)
    5.     //通过外部文件创建RDD
    6.     val dataRDD1 = sc.makeRDD(List(("a",1),("b",2),("c",3),("a",1),("a",1)))
    7.     val dataRDD2 = dataRDD1.reduceByKey(_+_)
    8.     val dataRDD3 = dataRDD1.reduceByKey(_+_, 2)
    9.     dataRDD2.collect().foreach(println)
    10.     sc.stop()

    19) groupByKey

    将数据源的数据根据key对value进行分组

    1.     // 创建 Spark 运行配置对象
    2.     val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
    3.     // 创建 Spark 上下文环境对象（连接对象）
    4.     val sc = new SparkContext(sparkConf)
    5.     //通过外部文件创建RDD
    6.     val dataRDD1 = sc.makeRDD(List(("a",1),("b",2),("c",3),("a",1),("a",1)))
    7.     val dataRDD2 = dataRDD1. groupByKey
    8.     val dataRDD3 = dataRDD1. groupByKey(2)
    9.     val dataRDD4 = dataRDD1. groupByKey(new HashPartitioner(2))
    10.     dataRDD3.collect().foreach(println)
    11.     sc.stop()

    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

    将数据根据不同的规则进行分区内计算和分区间计算

    1.     // 创建 Spark 运行配置对象
    2.     val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
    3.     // 创建 Spark 上下文环境对象（连接对象）
    4.     val sc = new SparkContext(sparkConf)
    5.     //通过外部文件创建RDD
    6.     val dataRDD1 = sc.makeRDD(List(("a",1),("b",2),("c",3),("a",1),("a",1)))
    7.     val dataRDD2 = dataRDD1. aggregateByKey(0)(_+_ ,_+_)
    8.     dataRDD2.collect().foreach(println)
    9.     sc.stop()

    21) foldByKey

    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

    1.     // 创建 Spark 运行配置对象
    2.     val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
    3.     // 创建 Spark 上下文环境对象（连接对象）
    4.     val sc = new SparkContext(sparkConf)
    5.     //通过外部文件创建RDD
    6.     val dataRDD1 = sc.makeRDD(List(("a",1),("b",2),("c",3),("a",1),("a",1)))
    7.     val dataRDD2 = dataRDD1. foldByKey(0)(_+_)
    8.     dataRDD2.collect().foreach(println)
    9.     sc.stop()

    22) combineByKey

    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。

    1.     // 创建 Spark 运行配置对象
    2.     val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
    3.     // 创建 Spark 上下文环境对象（连接对象）
    4.     val sc = new SparkContext(sparkConf)
    5.     //通过外部文件创建RDD
    6.     val list: List[(String, Int)] = List(("a", 88), ("b", 95), ("a", 91), ("b", 93),
    7.       ("a", 95), ("b",98))
    8.     val input: RDD[(String, Int)] = sc.makeRDD(list, 2)
    9.  
    10.     val combineRdd: RDD[(String, (Int, Int))] = input.combineByKey(
    11.     (_,1),
    12.       (acc: (Int, Int), v) => (acc._1 + v, acc._2 + 1),
    13.         (acc1: (Int, Int), acc2: (Int, Int)) => (acc1._1 + acc2._1, acc1._2 + acc2._2)
    14.     )
    15.     combineRdd.collect().foreach(println)
    16.     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

    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

    1.     // 创建 Spark 运行配置对象
    2.     val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
    3.     // 创建 Spark 上下文环境对象（连接对象）
    4.     val sc = new SparkContext(sparkConf)
    5.     //通过外部文件创建RDD
    6.     val dataRDD1 = sc.makeRDD(List(("a",1),("b",2),("c",3)))
    7.     val sortRDD1: RDD[(String, Int)] = dataRDD1.sortByKey(true)
    8. //    val sortRDD1: RDD[(String, Int)] = dataRDD1.sortByKey(false)
    9.     sortRDD1.collect().foreach(println)
    10.     sc.stop()

    24) join

    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

    1.     // 创建 Spark 运行配置对象
    2.     val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
    3.     // 创建 Spark 上下文环境对象（连接对象）
    4.     val sc = new SparkContext(sparkConf)
    5.     //通过外部文件创建RDD
    6.     val rdd: RDD[(Int, String)] = sc.makeRDD(Array((1, "a"), (2, "b"), (3, "c")))
    7.     val rdd1: RDD[(Int, Int)] = sc.makeRDD(Array((1, 4), (2, 5), (3, 6)))
    8.     rdd.join(rdd1).collect().foreach(println)
    9.     sc.stop()

    25) leftOuterJoin

    类似于SQL语句的左外连接

    1.     // 创建 Spark 运行配置对象
    2.     val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
    3.     // 创建 Spark 上下文环境对象（连接对象）
    4.     val sc = new SparkContext(sparkConf)
    5.     //通过外部文件创建RDD
    6.     val dataRDD1 = sc.makeRDD(List(("a",1),("b",2),("c",3),("d",4)))
    7.     val dataRDD2 = sc.makeRDD(List(("a",1),("b",2),("c",3)))
    8.     val rdd: RDD[(String, (Int, Option[Int]))] = dataRDD1.leftOuterJoin(dataRDD2)
    9.     rdd.collect().foreach(println)
    10.     sc.stop()

    26) cogroup

    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

    spark讲义课件
    rar 0星 超过10%的资源 466.69MB
    下载
    1.     val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
    2.     // 创建 Spark 上下文环境对象（连接对象）
    3.     val sc = new SparkContext(sparkConf)
    4.     //通过外部文件创建RDD
    5.     val dataRDD1 = sc.makeRDD(List(("a",1),("a",2),("b",4)))
    6.     val dataRDD2 = sc.makeRDD(List(("a",1),("c",2),("c",3)))
    7.     val value: RDD[( String, (Iterable[Int], Iterable[Int]))] =
    8.       dataRDD1.cogroup(dataRDD2)
    9.     value.collect().foreach(println)
    10.     sc.stop()

    4、RDD 行动算子

    1) reduce

    聚集RDD中的所有元素，先聚合分区内数据，再聚合分区间数据

    1.     // 创建 Spark 运行配置对象
    2.     val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
    3.     // 创建 Spark 上下文环境对象（连接对象）
    4.     val sc = new SparkContext(sparkConf)
    5.     //通过外部文件创建RDD
    6.     val rdd: RDD[Int] = sc.makeRDD(List(1,2,3,4))
    7.     // 聚合数据
    8.     val reduceResult: Int = rdd.reduce(_+_)
    9.     println(reduceResult)
    10.     sc.stop()

    2) collect

    在驱动程序中，以数组Array的形式返回数据集的所有元素

    1.     // 创建 Spark 运行配置对象
    2.     val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
    3.     // 创建 Spark 上下文环境对象（连接对象）
    4.     val sc = new SparkContext(sparkConf)
    5.     //通过外部文件创建RDD
    6.     val rdd: RDD[Int] = sc.makeRDD(List(1,2,3,4))
    7.     // 收集数据到 Driv er
    8.     rdd.collect().foreach(println)
    9.     sc.stop()

    3) count

    返回RDD中元素的个数

    1.     // 创建 Spark 运行配置对象
    2.     val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
    3.     // 创建 Spark 上下文环境对象（连接对象）
    4.     val sc = new SparkContext(sparkConf)
    5.     //通过外部文件创建RDD
    6.     val rdd: RDD[Int] = sc.makeRDD(List(1,2,3,4))
    7.     // 收集数据到 Driv er
    8.     val countResult: Long = rdd.count()
    9.     println(countResult)
    10.     sc.stop()

    4) first

    返回RDD中的第一个元素

    1.     // 创建 Spark 运行配置对象
    2.     val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
    3.     // 创建 Spark 上下文环境对象（连接对象）
    4.     val sc = new SparkContext(sparkConf)
    5.     //通过外部文件创建RDD
    6.     val rdd: RDD[Int] = sc.makeRDD(List(1,2,3,4))
    7.     val firstResult: Int = rdd.first()
    8.     println(firstResult)
    9.     sc.stop()

    5) take

    返回一个由RDD的前n个元素组成的数组

    1.     // 创建 Spark 运行配置对象
    2.     val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
    3.     // 创建 Spark 上下文环境对象（连接对象）
    4.     val sc = new SparkContext(sparkConf)
    5.     //通过外部文件创建RDD
    6.     val rdd: RDD[Int] = sc.makeRDD(List(1,2,3,4))
    7.     val takeResult: Array[Int] = rdd.take(2)
    8.     println(takeResult.mkString(","))
    9.     sc.stop()

    6) takeOrdered

    返回该RDD排序后的前n个元素组成的数组

    1.     // 创建 Spark 运行配置对象
    2.     val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
    3.     // 创建 Spark 上下文环境对象（连接对象）
    4.     val sc = new SparkContext(sparkConf)
    5.     //通过外部文件创建RDD
    6.     val rdd: RDD[Int] = sc.makeRDD(List(1,3,2,4))
    7.     // 返回 RDD 中元素的个数
    8.     val result: Array[Int] = rdd.takeOrdered(2)
    9.     println(result.mkString(","))
    10.     sc.stop()

    7) aggregate

    分区的数据通过初始值和分区内的数据进行聚合，然后再和初始值进行分区间的数据聚合

    1.     // 创建 Spark 运行配置对象
    2.     val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
    3.     // 创建 Spark 上下文环境对象（连接对象）
    4.     val sc = new SparkContext(sparkConf)
    5.     //通过外部文件创建RDD
    6.     val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4), 8)
    7.     // 将该 RDD 所有元素相加得到结果
    8.     //val result: Int = rdd.aggregate(0)(_ + _, _ +_)
    9.     val result: Int = rdd.aggregate(10)(_ + _, _ + _)
    10.     println(result)
    11.     sc.stop()

    8) fold

    折叠操作，aggregate的简化版操作

    1.     // 创建 Spark 运行配置对象
    2.     val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
    3.     // 创建 Spark 上下文环境对象（连接对象）
    4.     val sc = new SparkContext(sparkConf)
    5.     //通过外部文件创建RDD
    6.     val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4))
    7.     val foldResult: Int = rdd.fold(0)(_+_)
    8.     println(foldResult)
    9.     sc.stop()

    9) countByKey

    统计每种key的个数

    1.     // 创建 Spark 运行配置对象
    2.     val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
    3.     // 创建 Spark 上下文环境对象（连接对象）
    4.     val sc = new SparkContext(sparkConf)
    5.     //通过外部文件创建RDD
    6.     val rdd: RDD[(Int, String)] = sc.makeRDD(List((1, "a"), (1, "a"), (1, "a"), (2,
    7.       "b"), (3, "c"), (3, "b")))
    8.     // 统计每种 key 的个数
    9.     val result: collection.Map[Int, Long] = rdd.countByKey()
    10.     println(result.mkString(","))
    11.     sc.stop()

    10) save 相关算子

    ➢ 函数签名
    def saveAsTextFile(path: String): Unit
    def saveAsObjectFile(path: String): Unit
    def saveAsSequenceFile(
    path: String,
    codec: Option[Class[_ <: CompressionCodec]] = None): Unit
    ➢ 函数说明
    将数据保存到不同格式的文件中

    1. // 保存成 Text 文件
    2. rdd.saveAsTextFile("output")
    3. // 序列化成对象保存到文件
    4. rdd. saveAsObjectFile("output1")
    5. // 保存成 Sequencefile 文件
    6. rdd.map((_,1)).saveAsSequenceFile("output2")

    11) foreach

    分布式遍历RDD中的每一个元素，调用指定函数

    1.     // 创建 Spark 运行配置对象
    2.     val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
    3.     // 创建 Spark 上下文环境对象（连接对象）
    4.     val sc = new SparkContext(sparkConf)
    5.     //通过外部文件创建RDD
    6.     val rdd: RDD[Int] = sc.makeRDD(List(1,2,3,4))
    7.     // 收集后打印
    8.     rdd.map(num=>num).collect().foreach(println)
    9.     println("****************")
    10.     // 分布式打印
    11.     rdd.foreach(println)
    12.     sc.stop()
  • 相关阅读:
    Elasticsearch语句—SQL详解
    iNeuOS工业互联网操作系统，增加搜索应用、多数据源绑定、视图背景设置颜色、多级别文件夹、组合及拆分图元
    【Matplotlib】学术论文黑白柱状图绘制
    （28）Blender源码分析之顶层菜单的安装应用模板菜单
    第七章 查找 四、分块查找
    [附源码]SSM计算机毕业设计疫情背景下社区公共卫生服务系统JAVA
    word行内插入mathtype 公式后行距变大解决办法
    [附源码]Python计算机毕业设计房地产销售系统
    淘宝用户购物行为数据分析
    pyqt5 + socket 实现客户端A经socket服务器中转后主动向客户端B发送文件
  • 原文地址：https://blog.csdn.net/zcb_data/article/details/126243445