Spark 三大数据结构 之 RDD的转换算子

这是我参与更文挑战的第5天，活动详情查看：更文挑战

介绍

• RDD算子从对数据操作来讲大致分为两类: 转换(transformations)和行动(action)

  • 转换算子: 将一个RDD转换为另一个RDD，仅仅只是功能叠加，并不会真正去执行。（装饰者设计模式）
  • 行动算子: 行动算子会真正触发 SparkContext 提交 Job 作业。

本文讲述其中的 转换算子

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

//使用例子
val sc = new SparkContext(
    new SparkConf().setMaster("local[*]").setAppName("MapPartitions")
)
sc.makeRDD(List(1, 2, 3, 4, 5), 2).map(("num",_)).collect().foreach(println(_))
sc.stop()

2. mapPartitions

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

//使用例子
val sc = new SparkContext(
    new SparkConf().setMaster("local[*]").setAppName("MapPartitions")
)

sc.makeRDD(List(1, 2, 3, 4, 5), 2).mapPartitions(iter => {
    println("--------------------"+iter.mkString(" "))
    iter
}).collect()
sc.stop()

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

//使用例子
val sc = new SparkContext(
    new SparkConf().setMaster("local[*]").setAppName("MapPartitions")
)

sc.makeRDD(List(1, 2, 3, 4, 5), 2).mapPartitionsWithIndex((index, iter) => {
    println(index + "--------------------" + iter.mkString(" "))
    iter
}).collect()
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

//使用例子
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("WordCount")
val context = new SparkContext(sparkConf)
val lines = context.textFile("data/word.txt")
lines.flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ + _).foreach(println(_))
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

//使用例子
val sc = new SparkContext(
    new SparkConf().setMaster("local[*]").setAppName("MapPartitions")
)
val glom: RDD[Array[Int]] = sc.makeRDD(List(1, 2, 3, 4, 5), 2).glom()
val map = glom.map(arr => {
    arr.sum
})
map.collect().foreach(println)
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

一个组的数据在一个分区中，但是并不是说一个分区中只有一个组

//使用例子
val sc = new SparkContext(
    new SparkConf().setMaster("local[*]").setAppName("MapPartitions")
)
val value = sc.makeRDD(List(
    ("a", 1), ("a", 2), ("b", 3),
    ("b", 4), ("b", 5), ("a", 6)
), 2)
value.groupBy(_._1).collect().foreach(println)
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。

//使用例子
val sc = new SparkContext(
    new SparkConf().setMaster("local[*]").setAppName("MapPartitions")
)
val value = sc.makeRDD(List(
    ("a", 1), ("a", 2), ("b", 3),
    ("b", 4), ("b", 5), ("a", 6)
), 2)
value.filter(_._2 > 3).collect().foreach(println)
sc.stop()

8. sample

根据指定的规则从数据集中抽取数据

//使用例子
val sc = new SparkContext(
    new SparkConf().setMaster("local[*]").setAppName("MapPartitions")
)
val value = sc.makeRDD(List(
    ("a", 1), ("a", 2), ("b", 3),
    ("b", 4), ("b", 5), ("a", 6)
), 2)
value.sample(withReplacement = false,0.5).collect().foreach(println)
value.sample(withReplacement = true,0.7).collect().foreach(println)
sc.stop()

9. distinct

将数据集中重复的数据去重

//使用例子
val sc = new SparkContext(
    new SparkConf().setMaster("local[*]").setAppName("MapPartitions")
)
val value = sc.makeRDD(List(
    ("a", 1), ("a", 2), ("b", 3),("b", 3),("b", 3),
    ("b", 4), ("b", 5), ("a", 6)
), 2)
value.distinct().collect().foreach(println)
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

//使用例子
val sc = new SparkContext(
    new SparkConf().setMaster("local[*]").setAppName("MapPartitions")
)
val value = sc.makeRDD(List(
    ("a", 1), ("a", 2), ("b", 3),("b", 3),("b", 3),
    ("b", 4), ("b", 5), ("a", 6)
), 4)
// 默认只能减少分区  开启shuffle可以增加分区
value.coalesce(2).saveAsTextFile("out1")
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。

//使用例子
val sc = new SparkContext(
    new SparkConf().setMaster("local[*]").setAppName("MapPartitions")
)
val value = sc.makeRDD(List(
    ("a", 1), ("a", 2), ("b", 3),("b", 3),("b", 3),
    ("b", 4), ("b", 5), ("a", 6)
), 4)
value.repartition(6).saveAsTextFile("out3")
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

//使用例子
val sc = new SparkContext(
    new SparkConf().setMaster("local[*]").setAppName("MapPartitions")
)
val value = sc.makeRDD(List(
    1, 3, 5, 6, 7, 8, 32, 23, 4, 5, 62, 12, 4
), 4)
//ascending = false  倒排
value.sortBy(i => i, numPartitions = 1, ascending = false).saveAsTextFile("out3")
sc.stop()

13. intersection

对源RDD和参数RDD求交集后返回一个新的RDD

//使用例子
val sc = new SparkContext(
    new SparkConf().setMaster("local[*]").setAppName("MapPartitions")
)
val value1 = sc.makeRDD(List(
    1, 2, 3, 4, 5, 9
), 2)
val value2 = sc.makeRDD(List(
    5, 7, 8, 9
), 2)
value1.intersection(value2).saveAsTextFile("out2")
sc.stop()

14. union

对源RDD和参数RDD求并集后返回一个新的RDD

//使用例子
val sc = new SparkContext(
    new SparkConf().setMaster("local[*]").setAppName("MapPartitions")
)
val value1 = sc.makeRDD(List(
    1, 2, 3, 4, 5, 9
), 2)
val value2 = sc.makeRDD(List(
    5, 7, 8, 9
), 2)
value1.union(value2).collect().foreach(println)
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

//使用例子
val sc = new SparkContext(
    new SparkConf().setMaster("local[*]").setAppName("MapPartitions")
)
val value1 = sc.makeRDD(List(
    1, 2, 3, 4, 5, 9
), 2)
val value2 = sc.makeRDD(List(
    5, 7, 8, 9
), 2)
value1.subtract(value2).collect().foreach(println)
sc.stop()

16. zip

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。

//使用例子
val sc = new SparkContext(
    new SparkConf().setMaster("local[*]").setAppName("MapPartitions")
)
val value1 = sc.makeRDD(List(
    1, 2, 5, 9
), 2)
val value2 = sc.makeRDD(List(
    5, 7, 8, 9
), 2)
value1.zip(value2).collect().foreach(println)
sc.stop()

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

//使用例子
val sc = new SparkContext(
    new SparkConf().setMaster("local[*]").setAppName("MapPartitions")
)
val value = sc.makeRDD(List(
    ("a", 1), ("a", 2), ("b", 3),("b", 3),("b", 3),
    ("b", 4), ("b", 5), ("a", 6)
), 4)
value.partitionBy(new HashPartitioner(2)).saveAsTextFile("out1")
sc.stop()

18. reduceByKey

可以将数据按照相同的Key对Value进行聚合

//使用例子
val sc = new SparkContext(
    new SparkConf().setMaster("local[*]").setAppName("MapPartitions")
)
val value = sc.makeRDD(List(
    ("a", 1), ("a", 2), ("b", 3),
    ("b", 4), ("b", 5), ("a", 6)
), 2)
value.reduceByKey(_ + _).collect().foreach(println)
sc.stop()

19. groupByKey

将数据源的数据根据key对value进行分组

//使用例子
val sc = new SparkContext(
    new SparkConf().setMaster("local[*]").setAppName("MapPartitions")
)
val value = sc.makeRDD(List(
    ("a", 1), ("a", 2), ("b", 3),
    ("b", 4), ("b", 5), ("a", 6)
), 2)
value.groupByKey().collect().foreach(println)
sc.stop()

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

//使用例子
val sc = new SparkContext(
    new SparkConf().setMaster("local[*]").setAppName("MapPartitions")
)
val value = sc.makeRDD(List(
    ("a", 1), ("a", 2), ("b", 3),
    ("b", 4), ("b", 5), ("a", 6)
), 2)
value.aggregateByKey(0)(_ + _, _ * _).collect().foreach(println)
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

//使用例子
val sc = new SparkContext(
    new SparkConf().setMaster("local[*]").setAppName("MapPartitions")
)
val value = sc.makeRDD(List(
    ("a", 1), ("a", 2), ("b", 3),
    ("b", 4), ("b", 5), ("a", 6)
), 2)
value.foldByKey(0)(_ + _).collect().foreach(println)
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）

//使用例子
val sc = new SparkContext(
    new SparkConf().setMaster("local[*]").setAppName("MapPartitions")
)
val value = sc.makeRDD(List(
    ("a", 1), ("a", 2), ("b", 3),
    ("b", 4), ("b", 5), ("a", 6)
), 2)
value.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)
)
val value1 = value.combineByKey(
    (_, 1),
    (t: (Int, Int), c) => {
        (t._1, t._2 + c)
    }
    , (t: (Int, Int), c: (Int, Int)) => {
        (t._1, t._2 + c._2)
    }
)
value1.collect().foreach(println)
sc.stop()

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

//使用例子
val sc = new SparkContext(
    new SparkConf().setMaster("local[*]").setAppName("MapPartitions")
)
val value = sc.makeRDD(List(
    ("a", 1), ("a", 2), ("b", 3),
    ("b", 7), ("b", 5), ("a", 6)
), 2)
value.sortByKey(ascending = false).collect().foreach(println)
sc.stop()

24. join、leftOuterJoin、rightOuterJoin、fullOuterJoin

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(K,(V,W))的RDD

类似 Hive的SQL，可能出现笛卡尔积

//使用例子
val sc = new SparkContext(
    new SparkConf().setMaster("local[*]").setAppName("MapPartitions")
)

val value1 = sc.makeRDD(List(
   (1,2),(2,3),(3,2),(4,1)
))
val value2 = sc.makeRDD(List(
    (1,"1111"),(3,"3333"),(2,"2222"),(5,"2222")
))

value1.join(value2).collect().foreach(println)
println("--------------")
value1.leftOuterJoin(value2).collect().foreach(println)
println("--------------")
value1.rightOuterJoin(value2).collect().foreach(println)
println("--------------")
value1.fullOuterJoin(value2).collect().foreach(println)
sc.stop()

26. cogroup

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

//使用例子
val sc = new SparkContext(
    new SparkConf().setMaster("local[*]").setAppName("MapPartitions")
)
val value1 = sc.makeRDD(List(
   (1,2),(2,3),(3,2),(2,33),(4,1)
))
val value2 = sc.makeRDD(List(
    (1,"1111"),(3,"3333"),(2,"2222"),(5,"2222"),(2,"2222")
))
value1.cogroup(value2).collect().foreach(println)
sc.stop()