Spark - RDD使用

头像
大军
    阅读 12 分钟
    1

    弹性分布式数据集（Resilient Distributed Dataset，RDD）是 Spark 中的核心概念。简单的说，就是在Spark中创建一个RDD，然后通过RDD对数据进行各种各样的操作。

    RDD创建

    RDD的创建包括：

    1. 从集合中创建
    2. 从其他存储（比如hdfs、本地文件等）创建
    3. 从其他RDD创建

    下面通过这几种方式来创建RDD，在创建RDD之前需要创建SparkContext，从下面的例子可以看出SparkContext需要一个conf，这个conf的master属性，在前面两张已经提过了。
    从集合中创建有两个方法，parallelize以及makeRDD，makeRDD实际上调用的是parallelize方法，这两个方法都允许除了集合外，还可以再传递一个分区的参数。
    从其他存储包括本地文件系统、HDFS、Cassandra、HBase、Amazon S3等，这里的文件可以用通配符，而不限定某一个文件，比如textFile("/my/directory/*.txt")，就是/my/directory下所有的txt文件。

    object CreateRDD {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName("CreateRDD").setMaster("local")
    val sc = new SparkContext(conf)
    // parallelize
    val data = Array(1, 2, 3, 4, 5)
    val rdd1: RDD[Int] = sc.parallelize(data)
    println(rdd1.count)

    val rdd2: RDD[Int] = sc.makeRDD(data)
    // makeRDD
    println(rdd2.count)

    val rdd3: RDD[String] = sc.textFile("D:\\data\\test.txt")
    // 从其他存储
    println(rdd3.first)
    // 从其他RDD
    val rdd4: RDD[String] = rdd3.map(_ + "bbb")
    println(rdd4.first)
    // 关闭
    sc.stop
  }
}

    RDD的操作

    RDD支持两种操作：transformations和action。
    transformations从字面上理解，就是转换，可以说从一个数据集转换成另外一个数据集，这里需要注意的是，所有的transformations都是lazy的，也就是说他尽管执行了我们那行语句，比如map映射，他并不会进行map映射，只有触发到action的时候，才会进行计算。
    action，会触发RDD的计算并把最终结果返回给驱动程序。

    Transformations

    map

    map就是映射，也就是说，传入一个值，把他变成另外一个值。
    比如下面的例子中，把1，2，3，4，5变成2，4，6，8，10，传入1把他变成2，传入2把他变成4。

    object MapRDD {
  def main(args: Array[String]): Unit = {
    val sc = new SparkContext(new SparkConf().setAppName("MapRDD").setMaster("local"))
    val data = Array(1, 2, 3, 4, 5)
    val rdd1: RDD[Int] = sc.parallelize(data)
    val mapRdd = rdd1.map(_ * 2)
    mapRdd.foreach(println)
    // 传入1把他变成2，传入2把他变成4
    val mapRdd2 = rdd1.map(x => x * 2)
    mapRdd2.foreach(println)
  }
}

    filter

    filter就是过滤，你给我一个值，我计算后返回true或false，如果返回的是false，则不会在新的集合中。
    比如下面的例子中，偶数的才返回true，所以最后打印的是2，4

    object FilterRDD {
  def main(args: Array[String]): Unit = {
    val sc = new SparkContext(new SparkConf().setAppName("FilterRDD").setMaster("local"))
    val data = Array(1, 2, 3, 4, 5)
    val rdd1: RDD[Int] = sc.parallelize(data)
    val rdd2: RDD[Int] = rdd1.filter(x => x % 2 == 0)
    rdd2.foreach(println)
  }
}

    flatMap

    flatMap就是压平，你给我一个值，我给你零个或者多个值。
    比如下面的例子中，你给我"a b"，我通过split后，给你a和b两个值。

    object FlatMapRDD {
  def main(args: Array[String]): Unit = {
    val sc = new SparkContext(new SparkConf().setAppName("FlatMapRDD ").setMaster("local"))
    val data = Array("a b", "c d")
    val rdd1: RDD[String] = sc.parallelize(data)
    val rdd2: RDD[String] = rdd1.flatMap(_.split(" "))
    rdd2.foreach(println)
  }
}

    mapPartitions

    类似于map，在RDD的每个分区(块)上单独运行。当因此运行在类型为T的RDD上，返回值，func的类型必须是Iterator<T> => Iterator<U>。
    比如下面的例子中，你给我x，我返回的是x.map(_ * 2)。

    object MapPartitionsRDD {
  def main(args: Array[String]): Unit = {
    val sc = new SparkContext(new SparkConf().setAppName("MapPartitionsRDD").setMaster("local"))
    val data = Array(1, 2, 3, 4, 5)
    val rdd1: RDD[Int] = sc.parallelize(data)
    val mapRdd = rdd1.mapPartitions(x => x.map(_ * 2))
    mapRdd.foreach(println)
  }
}

    mapPartitionsWithIndex

    类似于mapPartitions，为func提供了一个表示分区索引的整数值。
    也就是说，我们可以通过传入的参数index，获取到对应的分区。

    object MapPartitionsWithIndexRDD {
  def main(args: Array[String]): Unit = {
    val sc = new SparkContext(new SparkConf().setAppName("MapPartitionsWithIndexRDD").setMaster("local"))
    val data = Array(1, 2, 3, 4, 5)
    val rdd1: RDD[Int] = sc.parallelize(data, 2)
    val mapRdd = rdd1.mapPartitionsWithIndex((index, x) => x.map(index + "," + _))
    mapRdd.foreach(println)
  }
}

    sample

    sample就是采样，比如100个随机拿出30个。
    sample参数有三个：

    • withReplacement：元素可以被多次采样(采样时替换)
    • fraction：样本的期望大小作为RDD大小的一部分。当withReplacement为true时，fraction为每个元素的期望次数，数值必须大于0；当withReplacement为false时，fraction为每个元素的期望概率，数值为0到1。
    • seed：随机数生成器的种子
    object SampleRDD {
  def main(args: Array[String]): Unit = {
    val sc = new SparkContext(new SparkConf().setAppName("SampleRDD").setMaster("local"))
    val data = 1 to 100
    val rdd1: RDD[Int] = sc.parallelize(data)
    val rdd2: RDD[Int] = rdd1.sample(true, 0.5, 1)
    println(rdd2.count)
  }
}

    union

    union就是并集，把两个rdd合并起来。
    比如下面的例子中，把rdd1和rdd2合并了。

    object UnionRDD {
  def main(args: Array[String]): Unit = {
    val sc = new SparkContext(new SparkConf().setAppName("UnionRDD").setMaster("local"))
    val data1 = Array(1, 2, 3, 4, 5)
    val data2 = Array(6, 7, 8, 9, 10)
    val rdd1: RDD[Int] = sc.parallelize(data1)
    val rdd2: RDD[Int] = sc.parallelize(data2)
    val rdd3 = rdd1.union(rdd2)
    rdd3.foreach(println)
  }
}

    intersection

    intersection就是交集，取2个rdd相同的部分。
    比如下面的例子中，rdd1和rdd2的交集是3，4，5。

    object IntersectionRDD {
  def main(args: Array[String]): Unit = {
    val sc = new SparkContext(new SparkConf().setAppName("IntersectionRDD").setMaster("local"))
    val data1 = Array(1, 2, 3, 4, 5)
    val data2 = Array(3, 4, 5, 6, 7)
    val rdd1: RDD[Int] = sc.parallelize(data1)
    val rdd2: RDD[Int] = sc.parallelize(data2)
    val rdd3 = rdd1.intersection(rdd2)
    rdd3.foreach(println)
  }
}

    distinct

    distinct就是过滤掉重复的部分。
    比如下面的例子中，1，2，3有重复，最后打印的是1，2，3，4，5。

    object DistinctRDD {
  def main(args: Array[String]): Unit = {
    val sc = new SparkContext(new SparkConf().setAppName("DistinctRDD").setMaster("local"))
    val data = Array(1, 2, 3, 4, 5, 1, 2, 3)
    val rdd1: RDD[Int] = sc.parallelize(data)
    val rdd2: RDD[Int] = rdd1.distinct
    rdd2.foreach(println)
  }
}

    groupByKey

    groupByKey就是通过key进行分组，如果没有key的话，需要keyBy方法指定key。
    比如下面的例子中，把模2的结果当做key，并返回一个新的rdd。
    在foreach中，可以看到参数包括key以及iterator。

    object GroupByKeyRDD {
  def main(args: Array[String]): Unit = {
    val sc = new SparkContext(new SparkConf().setAppName("GroupByKeyRDD").setMaster("local"))
    val data1 = Array(1, 2, 3, 4, 5)
    val rdd1: RDD[Int] = sc.parallelize(data1)
    val rdd2: RDD[(Int, Int)] = rdd1.keyBy(_ % 2)
    rdd2.groupByKey().foreach(x => {
      val iterator = x._2.iterator
      var num = ""
      while (iterator.hasNext) num = num + iterator.next + " "
      println(x._1 + ":" + num)
    })
    val data2 = Array(("a", 1), ("b", 2), ("a", 3), ("b", 4), ("a", 5))
    val rdd3: RDD[(String, Int)] = sc.parallelize(data2)
    rdd3.groupByKey().foreach(x => {
      val iterator = x._2.iterator
      var num = ""
      while (iterator.hasNext) num = num + iterator.next + " "
      println(x._1 + ":" + num)
    })
  }
}

    reduceByKey

    reduceByKey会兑相同的key进行计算。
    比如下面的例子中，最后的结果是(a,9)、(b,6)

    object ReduceByKeyRDD {
  def main(args: Array[String]): Unit = {
    val sc = new SparkContext(new SparkConf().setAppName("ReduceByKeyRDD").setMaster("local"))
    val data = Array(("a", 1), ("b", 2), ("a", 3), ("b", 4), ("a", 5))
    val rdd1: RDD[(String, Int)] = sc.parallelize(data)
    val rdd2: RDD[(String, Int)] = rdd1.reduceByKey(_ + _)
    rdd2.foreach(println)
  }
}

    aggregateByKey

    先按分区聚合，最后再进行聚合。
    代码如下：

    object AggregateByKeyRDD {
  def main(args: Array[String]): Unit = {
    val sc = new SparkContext(new SparkConf().setAppName("AggregateByKeyRDD").setMaster("local"))
    val data = Array(("a", 1), ("a", 2), ("b", 3), ("b", 4), ("a", 5), ("a", 6), ("b", 7), ("b", 8))
    val rdd1: RDD[(String, Int)] = sc.parallelize(data, 2)
    val rdd2: RDD[(String, Int)] = rdd1.aggregateByKey(3)(math.max(_, _), _ + _)
    rdd2.foreach(println)
  }
}

    这个代码我们用下图来说明一下。

    1. 把集合进行分区
    2. 根据key进行分组
    3. 分组后进行max计算，也就是上面aggregateByKey后的第一个函数，这里的max有两个值，一个是aggregateByKey后面的3，另外一个就是key对应的value，比如a对应的值是1，2，这两个值和3 求最大值，得到的3，所以结果就是a,3。
    4. 两个分区计算后的结果进行相加，也就是上面aggregateByKey后的第二个函数。所以最后的结果就是(b,12)、(a,9)

    image.png

    sortByKey

    sortByKey就是根据key进行排序，第一个参数如果是true就是升序，也是默认值，false就是降序。

    object SortByKeyRDD {
  def main(args: Array[String]): Unit = {
    val sc = new SparkContext(new SparkConf().setAppName("SortByKeyRDD").setMaster("local"))
    val data = Array(("a", 1), ("c", 3), ("d", 4), ("b", 2))
    val rdd1: RDD[(String,Int)] = sc.parallelize(data)
    val rdd2: RDD[(String, Int)] = rdd1.sortByKey()
    rdd2.foreach(println)
  }
}

    join

    类似mysql的join

    object JoinRDD {
  def main(args: Array[String]): Unit = {
    val sc = new SparkContext(new SparkConf().setAppName("JoinRDD").setMaster("local"))
    val data1 = Array(("a", 1), ("c", 3), ("d", 4), ("b", 2))
    val data2 = Array(("a", 11), ("d", 14), ("e", 25))
    val rdd1: RDD[(String, Int)] = sc.parallelize(data1)
    val rdd2: RDD[(String, Int)] = sc.parallelize(data2)
    val rdd3: RDD[(String, (Int, Int))] = rdd1.join(rdd2)
    val rdd4: RDD[(String, (Option[Int], Option[Int]))] = rdd1.fullOuterJoin(rdd2)
    val rdd5: RDD[(String, (Int, Option[Int]))] = rdd1.leftOuterJoin(rdd2)
    val rdd6: RDD[(String, (Option[Int], Int))] = rdd1.rightOuterJoin(rdd2)
    // 相当于mysql的INNER JOIN
    // 结果：
    // (d,(4,14))
    // (a,(1,11))
    println("rdd3:join")
    rdd3.foreach(println)
    println("rdd4:fullOuterJoin")
    // 返回左右数据集的全部数据，左右有一边不存在的数据以None填充
    // 结果：
    // (d,(Some(4),Some(14)))
    //  (e,(None,Some(25)))
    // (a,(Some(1),Some(11)))
    //  (b,(Some(2),None))
    // (c,(Some(3),None))
    rdd4.foreach(println)
    // 相当于mysql的LEFT JOIN
    // 结果：
    // (d,(4,Some(14)))
    // (a,(1,Some(11)))
    // (b,(2,None))
    // (c,(3,None))
    println("rdd5:leftOuterJoin")
    rdd5.foreach(println)
    // 相当于mysql的RIGHT JOIN
    // 结果：
    // (d,(Some(4),14))
    // (e,(None,25))
    // (a,(Some(1),11))
    println("rdd6:rightOuterJoin")
    rdd6.foreach(println)
  }
}

    cogroup

    对两个RDD中的KV元素，每个RDD中相同key中的元素分别聚合成一个集合。
    比如下面的例子中，对rdd1的a，拿到的结果是(1, 3)，对于rdd2的a，拿到的结果是(23)，所以最终的结果就是(a,(CompactBuffer(1, 3),CompactBuffer(23)))。

    object CogroupRDD {
  def main(args: Array[String]): Unit = {
    val sc = new SparkContext(new SparkConf().setAppName("CogroupRDD").setMaster("local"))
    val data1 = Array(("a", 1), ("a", 3),("b", 2))
    val data2 = Array(("b", 24), ("a", 23),("b", 22))
    val rdd1: RDD[(String,Int)] = sc.parallelize(data1)
    val rdd2: RDD[(String,Int)] = sc.parallelize(data2)
    val rdd3: RDD[(String, (Iterable[Int], Iterable[Int]))] = rdd1.cogroup(rdd2)
    // 结果：
    // (a,(CompactBuffer(1, 3),CompactBuffer(23)))
    // (b,(CompactBuffer(2),CompactBuffer(24, 22)))
    rdd3.foreach(println)
  }
}

    cartesian

    就是笛卡尔。

    object CartesianRDD {
  def main(args: Array[String]): Unit = {
    val sc = new SparkContext(new SparkConf().setAppName("CartesianRDD").setMaster("local"))
    val data1 = Array(1, 2)
    val data2 = Array(3, 4)
    val rdd1: RDD[Int] = sc.parallelize(data1)
    val rdd2: RDD[Int] = sc.parallelize(data2)
    val rdd3: RDD[(Int, Int)] = rdd1.cartesian(rdd2)
    // (1,3)
    // (1,4)
    // (2,3)
    // (2,4)
    rdd3.foreach(println)
  }
}

    action

    reduce

    根据传入的函数，对每个值进行计算

    object ReduceRDD {
  def main(args: Array[String]): Unit = {
    val sc = new SparkContext(new SparkConf().setAppName("ReduceRDD").setMaster("local"))
    val data = Array(1, 2, 3, 4, 5)
    val rdd1: RDD[Int] = sc.parallelize(data)
    val result: Int = rdd1.reduce(_ + _)
    println(result)
  }
}

    collect

    拿到rdd的集合给driver端，通常确认结果比较少的时候用。

    object CollectRDD {
  def main(args: Array[String]): Unit = {
    val sc = new SparkContext(new SparkConf().setAppName("CollectRDD").setMaster("local"))
    val data = Array(1, 2, 3, 4, 5)
    val rdd1: RDD[Int] = sc.parallelize(data)
    val result: Array[Int] = rdd1.collect()
    println(result.mkString(","))
  }
}

    count

    拿到rdd的集合数量。

    object CountRDD {
  def main(args: Array[String]): Unit = {
    val sc = new SparkContext(new SparkConf().setAppName("CountRDD").setMaster("local"))
    val data = Array(1, 2, 3, 4, 5)
    val rdd1: RDD[Int] = sc.parallelize(data)
    val result: Long = rdd1.count()
    println(result)
  }
}

    first

    拿到rdd集合的第一个元素。

    object FirstRDD {
  def main(args: Array[String]): Unit = {
    val sc = new SparkContext(new SparkConf().setAppName("FirstRDD").setMaster("local"))
    val data = Array(1, 2, 3, 4, 5)
    val rdd1: RDD[Int] = sc.parallelize(data)
    val result: Int = rdd1.first()
    println(result)
  }
}

    take

    拿到前面n个元素，比如下面例子中，传的是3，所以拿到是1，2，3。

    object TakeRDD {
  def main(args: Array[String]): Unit = {
    val sc = new SparkContext(new SparkConf().setAppName("TakeRDD").setMaster("local"))
    val data = Array(1, 2, 3, 4, 5)
    val rdd1: RDD[Int] = sc.parallelize(data)
    val result: Array[Int] = rdd1.take(3)
    println(result.mkString(","))
  }
}

    takeSample

    随机抽取n个元素。

    object TakeSampleRDD {
  def main(args: Array[String]): Unit = {
    val sc = new SparkContext(new SparkConf().setAppName("TakeSampleRDD").setMaster("local"))
    val data = 1 to 100
    val rdd1: RDD[Int] = sc.parallelize(data)
    val result: Array[Int] = rdd1.takeSample(true, 5, 1)
    println(result.mkString(","))
  }
}

    takeOrdered

    排序后取N个元素。

    object TakeOrderedRDD {
  def main(args: Array[String]): Unit = {
    val sc = new SparkContext(new SparkConf().setAppName("TakeOrderedRDD").setMaster("local"))
    val data = 1 to 100
    val rdd1: RDD[Int] = sc.parallelize(data)
    val result: Array[Int] = rdd1.takeOrdered(5)
    println(result.mkString(","))
  }
}

    countByKey

    计算每个key出现的次数

    object CountByKeyRDD {
  def main(args: Array[String]): Unit = {
    val sc = new SparkContext(new SparkConf().setAppName("CountByKeyRDD").setMaster("local"))
    val data = Array(("a", 1), ("b", 2), ("a", 3), ("b", 4), ("a", 5))
    val rdd1: RDD[(String, Int)] = sc.parallelize(data)
    val result: collection.Map[String, Long] = rdd1.countByKey()
    result.foreach(item => println(item._1 + ":" + item._2))
  }
}

    foreach

    遍历，比如上面很多例子的打印。

    spark
    大军
    847 声望183 粉丝

    学而不思则罔，思而不学则殆

    « 上一篇
    Spark - Spark Submit使用
    下一篇 »
    Spark - 各个组件的RPC是怎么通信的

    引用和评论

    被 2 篇内容引用
    推荐阅读
    头像
    trino -- 查询流程解析

    大军阅读 494

    头像
    快手自研Spark向量化引擎正式发布，性能提升200%

    快手技术阅读 267

    头像
    【赵渝强老师】Spark中的RDD

    赵渝强老师阅读 256

    头像
    【赵渝强老师】Spark Streaming中的DStream

    赵渝强老师阅读 233

    头像
    【赵渝强老师】大数据主从架构的单点故障

    赵渝强老师阅读 231

    头像
    阿里云 EMR Serverless Spark 版正式开启商业化

    阿里云大数据AI阅读 210

    头像
    【赵渝强老师】大数据生态圈中的组件

    赵渝强老师阅读 209

    0 条评论
    得票最新