【Sprak】【笔记】Sprak的RDD的转换之Value类型笔记
本帖最后由 moocer 于 2020-6-12 11:47 编辑Value类型
1 map(func)案例
1. 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
2. 需求：创建一个1-10数组的RDD，将所有元素*2形成新的RDD
（1）创建
scala> var source= sc.parallelize(1 to 10)
source: org.apache.spark.rdd.RDD = ParallelCollectionRDD at parallelize at <console>:24
（2）打印
scala> source.collect()
res7: Array = Array(1, 2, 3, 4, 5, 6, 7, 8, 9, 10)
（3）将所有元素*2
scala> val mapadd = source.map(_ * 2)
mapadd: org.apache.spark.rdd.RDD = MapPartitionsRDD at map at <console>:26
（4）打印最终结果
scala> mapadd.collect()
res8: Array = Array(2, 4, 6, 8, 10, 12, 14, 16, 18, 20)
2 mapPartitions(func) 案例
1. 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 => Iterator。假设有N个元素，有M个分区，那么map的函数的将被调用N次,而mapPartitions被调用M次,一个函数一次处理所有分区。
2. 需求：创建一个RDD，使每个元素*2组成新的RDD
（1）创建一个RDD
scala> val rdd = sc.parallelize(Array(1,2,3,4))
rdd: org.apache.spark.rdd.RDD = ParallelCollectionRDD at parallelize at <console>:24
（2）使每个元素*2组成新的RDD
scala> rpPartitions(x=>x.map(_*2))res3: org.apache.spark.rdd.RDD = MapPartitionsRDD at mapPartitions at <console>:27
（3）打印新的RDD
scala> res3.collectres4: Array = Array(2, 4, 6, 8)
3 mapPartitionsWithIndex(func) 案例
1. 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) => Iterator；
2. 需求：创建一个RDD，使每个元素跟所在分区形成一个元组组成一个新的RDD
（1）创建一个RDD
scala> val rdd = sc.parallelize(Array(1,2,3,4))
rdd: org.apache.spark.rdd.RDD = ParallelCollectionRDD at parallelize at <console>:24
（2）使每个元素跟所在分区形成一个元组组成一个新的RDD
scala> val indexRdd = rpPartitionsWithIndex((index,items)=>(items.map((index,_))))
indexRdd: org.apache.spark.rdd.RDD[(Int, Int)] = MapPartitionsRDD at mapPartitionsWithIndex at <console>:26
（3）打印新的RDD
scala> indexRdd.collectres2: Array[(Int, Int)] = Array((0,1), (0,2), (1,3), (1,4))
4 flatMap(func) 案例
1. 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）
2. 需求：创建一个数组中包含list的RDD，运用flatMap创建一个新的RDD，新的RDD取出每一个数组中的集合的各个元素
（1）创建
scala> var sourceFlat= sc.parallelize(Array(List(1,2),List(3,4)))
sourceFlat: org.apache.spark.rdd.RDD] = ParallelCollectionRDD at parallelize at <console>:14
（2）打印
scala> sourceFlat.collect()
res14: Array] = Array(List(1, 2), List(3, 4))
（3）根据原RDD创建新RDD（）
scala> val flatMapResult = sourceFlat.flatMap(datas=>datas)
flatMapResult: org.apache.spark.rdd.RDD = MapPartitionsRDD at flatMap at <console>:15
（4）打印新RDD
scala> flatMapResult.collect
res16: Array = Array(1, 2, 3, 4)
5 map()和mapPartition()的区别
1. map()：每次处理一条数据。
2. 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。
3. 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。
6 glom案例
1. 作用：将每一个分区形成一个数组，形成新的RDD类型时RDD]
2. 需求：创建一个4个分区的RDD，并将每个分区的数据放到一个数组
（1）创建
scala> val rdd = sc.parallelize(1 to 16,4)
rdd: org.apache.spark.rdd.RDD = ParallelCollectionRDD at parallelize at <console>:24
（2）将每个分区的数据放到一个数组并收集到Driver端打印
scala> rdd.glom().collect()
res25: Array] = Array(Array(1, 2, 3, 4), Array(5, 6, 7, 8), Array(9, 10, 11, 12), Array(13, 14, 15, 16))
7 groupBy(func)案例
1. 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。
2. 需求：创建一个RDD，按照元素模以2的值进行分组。
（1）创建
scala> val rdd = sc.parallelize(1 to 4)
rdd: org.apache.spark.rdd.RDD = ParallelCollectionRDD at parallelize at <console>:24
（2）按照元素模以2的值进行分组
scala> val group = rdd.groupBy(_%2)
group: org.apache.spark.rdd.RDD[(Int, Iterable)] = ShuffledRDD at groupBy at <console>:26
（3）打印结果
scala> group.collect
res0: Array[(Int, Iterable)] = Array((0,CompactBuffer(2, 4)), (1,CompactBuffer(1, 3)))
8 filter(func) 案例
1. 作用：过滤。返回一个新的RDD，该RDD由经过func函数计算后返回值为true的输入元素组成。
2. 需求：创建一个RDD（由字符串组成），过滤出一个新RDD（包含”xiao”子串）
（1）创建
scala> var sourceFilter = sc.parallelize(Array("xiaoming","xiaojiang","xiaohe","dazhi"))
sourceFilter: org.apache.spark.rdd.RDD = ParallelCollectionRDD at parallelize at <console>:24
（2）打印
scala> sourceFilter.collect()
res9: Array = Array(xiaoming, xiaojiang, xiaohe, dazhi)
（3）过滤出含” xiao”子串的形成一个新的RDD
scala> val filter = sourceFilter.filter(_.contains("xiao"))
filter: org.apache.spark.rdd.RDD = MapPartitionsRDD at filter at <console>:26
（4）打印新RDD
scala> filter.collect()
res10: Array = Array(xiaoming, xiaojiang, xiaohe)
9 sample(withReplacement, fraction, seed) 案例
1. 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。
2. 需求：创建一个RDD（1-10），从中选择放回和不放回抽样
（1）创建RDD
scala> val rdd = sc.parallelize(1 to 10)
rdd: org.apache.spark.rdd.RDD = ParallelCollectionRDD at parallelize at <console>:24
（2）打印
scala> rdd.collect()
res15: Array = Array(1, 2, 3, 4, 5, 6, 7, 8, 9, 10)
（3）放回抽样
scala> var sample1 = rdd.sample(true,0.4,2)
sample1: org.apache.spark.rdd.RDD = PartitionwiseSampledRDD at sample at <console>:26
（4）打印放回抽样结果
scala> sample1.collect()
res16: Array = Array(1, 2, 2, 7, 7, 8, 9)
（5）不放回抽样
scala> var sample2 = rdd.sample(false,0.2,3)
sample2: org.apache.spark.rdd.RDD = PartitionwiseSampledRDD at sample at <console>:26
（6）打印不放回抽样结果
scala> sample2.collect()
res17: Array = Array(1, 9)
10 distinct()) 案例
1. 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。
2. 需求：创建一个RDD，使用distinct()对其去重。
（1）创建一个RDD
scala> val distinctRdd = sc.parallelize(List(1,2,1,5,2,9,6,1))
distinctRdd: org.apache.spark.rdd.RDD = ParallelCollectionRDD at parallelize at <console>:24
（2）对RDD进行去重（不指定并行度）
scala> val unionRDD = distinctRdd.distinct()
unionRDD: org.apache.spark.rdd.RDD = MapPartitionsRDD at distinct at <console>:26
（3）打印去重后生成的新RDD
scala> unionRDD.collect()
res20: Array = Array(1, 9, 5, 6, 2)
（4）对RDD（指定并行度为2）
scala> val unionRDD = distinctRdd.distinct(2)
unionRDD: org.apache.spark.rdd.RDD = MapPartitionsRDD at distinct at <console>:26
（5）打印去重后生成的新RDD
scala> unionRDD.collect()
res21: Array = Array(6, 2, 1, 9, 5)
11 coalesce(numPartitions) 案例
1. 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。
2. 需求：创建一个4个分区的RDD，对其缩减分区
（1）创建一个RDD
scala> val rdd = sc.parallelize(1 to 16,4)
rdd: org.apache.spark.rdd.RDD = ParallelCollectionRDD at parallelize at <console>:24
（2）查看RDD的分区数
scala> rdd.partitions.size
res20: Int = 4
（3）对RDD重新分区
scala> val coalesceRDD = rdd.coalesce(3)
coalesceRDD: org.apache.spark.rdd.RDD = CoalescedRDD at coalesce at <console>:26
（4）查看新RDD的分区数
scala> coalesceRDD.partitions.size
res21: Int = 3
2 repartition(numPartitions) 案例
1. 作用：根据分区数，重新通过网络随机洗牌所有数据。
2. 需求：创建一个4个分区的RDD，对其重新分区
（1）创建一个RDD
scala> val rdd = sc.parallelize(1 to 16,4)
rdd: org.apache.spark.rdd.RDD = ParallelCollectionRDD at parallelize at <console>:24
（2）查看RDD的分区数
scala> rdd.partitions.size
res22: Int = 4
（3）对RDD重新分区
scala> val rerdd = rdd.repartition(2)
rerdd: org.apache.spark.rdd.RDD = MapPartitionsRDD at repartition at <console>:26
（4）查看新RDD的分区数
scala> rerdd.partitions.size
res23: Int = 2
13 coalesce和repartition的区别
1. 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。
2. 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 = null): RDD = withScope {coalesce(numPartitions, shuffle = true)}
14 sortBy(func,, ) 案例
1. 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。
2. 需求：创建一个RDD，按照不同的规则进行排序
（1）创建一个RDD
scala> val rdd = sc.parallelize(List(2,1,3,4))
rdd: org.apache.spark.rdd.RDD = ParallelCollectionRDD at parallelize at <console>:24
（2）按照自身大小排序
scala> rdd.sortBy(x => x).collect()
res11: Array = Array(1, 2, 3, 4)
（3）按照与3余数的大小排序
scala> rdd.sortBy(x => x%3).collect()
res12: Array = Array(3, 4, 1, 2)
15 pipe(command, ) 案例
1. 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
2. 需求：编写一个脚本，使用管道将脚本作用于RDD上。
（1）编写一个脚本
Shell脚本
#!/bin/shecho "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)
rdd: org.apache.spark.rdd.RDD = ParallelCollectionRDD at parallelize at <console>:24
（3）将脚本作用该RDD并打印
scala> rdd.pipe("/opt/module/spark/pipe.sh").collect()
res18: Array = Array(AA, >>>hi, >>>Hello, >>>how, >>>are, >>>you)
（4）创建一个有两个分区的RDD
scala> val rdd = sc.parallelize(List("hi","Hello","how","are","you"),2)
rdd: org.apache.spark.rdd.RDD = ParallelCollectionRDD at parallelize at <console>:24
（5）将脚本作用该RDD并打印
scala> rdd.pipe("/opt/module/spark/pipe.sh").collect()
res19: Array = Array(AA, >>>hi, >>>Hello, AA, >>>how, >>>are, >>>you)
页:
[1]