Spark的RDD转换算子

[](()4. flatMap

函数定义

def flatMap[U: ClassTag](f: T => TraversableOnce[U]): RDD[U]

说明

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 。

案例实操

package com.atguigu.bigdata.spark.core.rdd.operator.transform

import org.apache.spark.rdd.RDD

import org.apache.spark.{SparkConf, SparkContext}

object Spark04_RDD_Operator_Transform {

def main(args: Array[String]): Unit = {

//TODO 准备环境

val sparkConf: SparkConf = new SparkConf().setMaster(“local[*]”).setAppName(“Operator”)

val sc = new SparkContext(sparkConf)

//TODO 算子

//输出每个数字

val rdd = sc.makeRDD(List(List(1,2),List(3,4)))

val flatRDD: RDD[Int] = rdd.flatMap(

list => {

list

}

)

flatRDD.collect().foreach(println)

//TODO 关闭环境

sc.stop()

}

}

[](()5. glom

函数定义

def glom(): RDD[Array[T]]

说明

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

案例实操

package com.atguigu.bigdata.spark.core.rdd.operator.transform

import org.apache.spark.rdd.RDD

import org.apache.spark.{SparkConf, SparkContext}

object Spark05_RDD_Operator_Transform {

def main(args: Array[String]): Unit = {

//TODO 准备环境

val sparkConf: SparkConf = new SparkConf().setMaster(“local[*]”).setAppName(“Operator”)

val sc = new SparkContext(sparkConf)

//TODO 算子

val rdd = sc.makeRDD(List(1,2,3,4),2)

//List => Int

//Int => Any

val glomRDD: RDD[Array[Int]] = rdd.glom()

glomRDD.collect().foreach(data => println(data.mkString(“,”)))

//TODO 关闭环境

sc.stop()

}

}

[](()6. groupBy

函数定义

def groupBy[K](f: T => K)(implicit kt: ClassTag[K]): RDD[(K, Iterable[T])]

说明

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

案例实操

package com.atguigu.bigdata.spark.core.rdd.operator.transform

import org.apache.spark.rdd.RDD

import org.apache.spark.{SparkConf, SparkContext}

object Spark06_RDD_Operator_Transform {

def main(args: Array[String]): Unit = {

//TODO 准备环境

val sparkConf: SparkConf = new SparkConf().setMaster(“local[*]”).setAppName(“Operator”)

val sc = new SparkContext(sparkConf)

//TODO 算子 -groupBy

val rdd = sc.makeRDD(List(1,2,3,4),2)

//groupBy会将数据源中的每一个数据进行分组判断，根据返回的分组key进行分组

//相同的key值的数组会放到一个组中

def groupByFunction(num :Int) : Int ={

num % 2

}

val groupRDD: RDD[(Int, Iterable[Int])] = rdd.groupBy(groupByFunction)

groupRDD.collect().foreach(println)

//TODO 关闭环境

sc.stop()

}

}

[](()7. filter

函数定义

def filter(f: T => Boolean): RDD[T]

说明

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。

案例实操

package com.atguigu.bigdata.spark.core.rdd.operator.transform

import org.apache.spark.rdd.RDD

import org.apache.spark.{SparkConf, SparkContext}

object Spark07_RDD_Operator_Transform {

def main(args: Array[String]): Unit = {

//TODO 准备环境

val sparkConf: SparkConf = new SparkConf().setMaster(“local[*]”).setAppName(“Operator”)

val sc = new SparkContext(sparkConf)

//TODO 算子 -filter

//筛选奇数

val rdd = sc.makeRDD(List(1,2,3,4))

val filterRDD: RDD[Int] = rdd.filter(_ % 2 != 0)

filterRDD.collect().foreach(println)

//TODO 关闭环境

sc.stop()

}

}

[](()8. sample

函数定义

def sample(

withReplacement: Boolean,

fraction: Double,

seed: Long = Utils.random.nextLong): RDD[T]

说明

根据指定的规则从数据集中抽取数据

案例实操

package com.atguigu.bigdata.spark.core.rdd.operator.transform

import org.apache.spark.{SparkConf, SparkContext}

object Spark08_RDD_Operator_Transform {

def main(args: Array[String]): Unit = {

//TODO 准备环境

val sparkConf: SparkConf = new SparkConf().setMaster(“local[*]”).setAppName(“Operator”)

val sc = new SparkContext(sparkConf)

//TODO 算子 -sample

val rdd = sc.makeRDD(List(1,2,3,4,5,6,7,8,9,10))

//sample算子需要传递三个参数

//1. 第一个参数表示，抽数数据后是否将数据返回true（放回），false（丢弃）

//2. 第二个参数表示，

// 抽取不放回的场合：数据源中每条数据被抽取的概率

// 基准值的概念

//抽取放回的场合：数据

//3.第三个参数表示，抽取数据时随机算法的种子

// 如果不使用第三个参数，那么使用的当前的系统时间

// val sampleRDD: String = rdd.sample(

// false,

// 0.4,

2

// ).collect().mkString(“,”)

val sampleRDD: String = rdd.sample(

true,

0.5,

// 2

).collect().mkString(“,”)

println(sampleRDD)

//TODO 关闭环境

sc.stop()

}

}

[](()9. distinct

函数定义

def distinct()(implicit ord: Ordering[T] = null): RDD[T]

def distinct(numPartitions: Int)(implicit ord: Ordering[T] = null): RDD[T]

说明

将数据集中重复的数据去重

案例实操

package com.atguigu.bigdata.spark.core.rdd.operator.transform

import org.apache.spark.rdd.RDD

import org.apache.spark.{SparkConf, SparkContext}

object Spark09_RDD_Operator_Transform {

def main(args: Array[String]): Unit = {

//TODO 准备环境

val sparkConf: SparkConf = new SparkConf().setMaster(“local[*]”).setAppName(“Operator”)

val sc = new SparkContext(sparkConf)

//TODO 算子 -distinct

//map(x => (x, null)).reduceByKey((x, ) => x, numPartitions).map(._1)

val rdd = sc.makeRDD(List(1,2,3,4,1,2,3,4))

val rdd1: RDD[Int] = rdd.distinct()

rdd1.collect().foreach(println)

//TODO 关闭环境

sc.stop()

}

}

[](()10. coalesce

函数定义

def coalesce(numPartitions: Int, shuffle: Boolean = false,

partitionCoalescer: Option[PartitionCoalescer] = Option.empty)

(implicit ord: Ordering[T] = null)

RDD[T]

说明

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 。

案例实操

package com.atguigu.bigdata.spark.core.rdd.operator.transform

import org.apache.spark.rdd.RDD

import org.apache.spark.{SparkConf, SparkContext}

object Spark10_RDD_Operator_Transform {

def main(args: Array[String]): Unit = {

//TODO 准备环境

val sparkConf: SparkConf = new SparkConf().setMaster(“local[*]”).setAppName(“Operator”)

val sc = new SparkContext(sparkConf)

//TODO 算子 -coalesce

//coalesce默认不会打乱分区重新组合

//这种情况下的缩减分区可能会导致分区不均衡，出现数据倾斜

//如果想让数据均衡，可以进行shuffle处理

val rdd = sc.makeRDD(List(1,2,3,4,5,6),3)

// val newRDD: RDD[Int] = rdd.coalesce(2)

val newRDD: RDD[Int] = rdd.coalesce(2,true)

newRDD.saveAsTextFile(“output”)

//TODO 关闭环境

sc.stop()

}

}

[](()11. repartition

函数定义

def repartition(numPartitions: Int)(implicit ord: Ordering[T] = null): RDD[T]

说明

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。

案例实操

package com.atguigu.bigdata.spark.core.rdd.operator.transform

import org.apache.spark.{SparkConf, SparkContext}

object Spark11_RDD_Operator_Transform {

def main(args: Array[String]): Unit = {

//TODO 准备环境

val sparkConf: SparkConf = new SparkConf().setMaster(“local[*]”).setAppName(“Operator”)

val sc = new SparkContext(sparkConf)

//TODO 算子 -repartition

val rdd = sc.makeRDD(List(6,2,5,4,1,3),2)

val dataRDD1 = dataRDD.repartition(4)

dataRDD1 .saveAsTextFile(“output”)

//TODO 关闭环境

sc.stop()

}

}

[](()12. sortBy

函数定义

def sortBy[K](

f: (T) => K,

ascending: Boolean = true,

numPartitions: Int = this.partitions.length)

(implicit ord: Ordering[K], ctag: ClassTag[K]): RDD[T]

说明

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

案例实操

package com.atguigu.bigdata.spark.core.rdd.operator.transform

import org.apache.spark.{SparkConf, SparkContext}

object Spark11_RDD_Operator_Transform1 {

def main(args: Array[String]): Unit = {

//TODO 准备环境

val sparkConf: SparkConf = new SparkConf().setMaster(“local[*]”).setAppName(“Operator”)

val sc = new SparkContext(sparkConf)

//TODO 算子 -sortBy

//sortBy方法可以 《一线大厂Java面试题解析+后端开发学习笔记+最新架构讲解视频+实战项目源码讲义》无偿开源 威信搜索公众号【编程进阶路】 根据指定的规则进行对数据源中的数据进行排序，默认为升序(true)，第二个参数可以改(false,降序)

//sortBy默认情况下不会改变分区，但中间存在shuffle操作

val rdd = sc.makeRDD(List((“1”,1),(“11”,2),(“6”,3)),2)

val newRDD = rdd.sortBy(num => num._1.toInt,false)

newRDD.collect().foreach(println)

//TODO 关闭环境

sc.stop()

}

}

[](()双Value类型

---

[](()13. intersection

函数定义

def intersection(other: RDD[T]): RDD[T]

说明

对源RDD 和参数RDD 求交集后返回一个新的RDD

[](()14. union

函数定义

def union(other: RDD[T]): RDD[T]

说明

对源RDD 和参数RDD 求并集后返回一个新的RDD

[](()15. subtract

函数定义

def subtract(other: RDD[T]): RDD[T]

说明

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

[](()16. zip

函数定义

def zip[U: ClassTag](other: RDD[U]): RDD[(T, U)]

说明

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。

案例实操

package com.atguigu.bigdata.spark.core.rdd.operator.transform

import org.apache.spark.{SparkConf, SparkContext}

object Spark12_RDD_Operator_Transform {

def main(args: Array[String]): Unit = {

//TODO 准备环境

val sparkConf: SparkConf = new SparkConf().setMaster(“local[*]”).setAppName(“Operator”)

val sc = new SparkContext(sparkConf)

//TODO 算子 -双value类型

//并集、交集和差集要求数据源类型一致

//拉链数据源类型可以不一致

val rdd1 = sc.makeRDD(List(1,2,3,4))

val rdd2 = sc.makeRDD(List(5,6,3,4))

val rdd3 = sc.makeRDD(List(“3”,“4”,“6”,“7”))

//交集

val newrdd1 = rdd1.intersection(rdd2)

println(newrdd1.collect().mkString(“,”))

//并集

val newrdd2 = rdd1.union(rdd2)

println(newrdd2.collect().mkString(“,”))

//差集

val newrdd3 = rdd1.subtract(rdd2)

println(newrdd3.collect().mkString(“,”))

//拉链

val newrdd4 = rdd1.zip(rdd2)

val newrdd5 = rdd1.zip(rdd3)

println(newrdd4.collect().mkString(“,”))

println(newrdd5.collect().mkString(“,”))

//TODO 关闭环境

sc.stop()

}

}

package com.atguigu.bigdata.spark.core.rdd.operator.transform

import org.apache.spark.{SparkConf, SparkContext}

object Spark12_RDD_Operator_Transform1 {

def main(args: Array[String]): Unit = {

//TODO 准备环境

val sparkConf: SparkConf = new SparkConf().setMaster(“local[*]”).setAppName(“Operator”)

val sc = new SparkContext(sparkConf)

//TODO 算子 -双value类型

//并集、交集和差集要求数据源类型一致

//拉链数据源类型可以不一致

val rdd1 = sc.makeRDD(List(1,2,3,4,5,6),2)

val rdd2 = sc.makeRDD(List(5,6,3,4),2)

//拉链

//Can’t zip RDDs with unequal numbers of partitions: List(2, 4)

//两个数据源的分区数量要求一致

//Can only zip RDDs with same number of elements in each partition

//两个数据源的分区中数据的数量要求一致

val newrdd4 = rdd1.zip(rdd2)

println(newrdd4.collect().mkString(“,”))

//TODO 关闭环境

sc.stop()

}

}

[](()Key-Value类型

---

[](()17. partitionBy

函数定义

def partitionBy(partitioner: Partitioner): RDD[(K, V)]

说明

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

案例实操

package com.atguigu.bigdata.spark.core.rdd.operator.transform

import org.apache.spark.{HashPartitioner, SparkConf, SparkContext}

object Spark13_RDD_Operator_Transform {

def main(args: Array[String]): Unit = {

//TODO 准备环境

val sparkConf: SparkConf = new SparkConf().setMaster(“local[*]”).setAppName(“Operator”)

val sc = new SparkContext(sparkConf)

//TODO 算子 -key-value类型

//并集、交集和差集要求数据源类型一致

//拉链数据源类型可以不一致

val rdd = sc.makeRDD(List(1,2,3,4))

val mapRDD = rdd.map((_,1))

//RDD => PairRDDFunctions

//隐式转换(二次编译)

//根据指定的分区规则，对数据进行重新分区

val newRDD = mapRDD.partitionBy(new HashPartitioner(2))

newRDD.partitionBy(new HashPartitioner(2))

//TODO 关闭环境

sc.stop()

}

}

[](()18. reduceByKey

函数定义

def reduceByKey(func: (V, V) => V): RDD[(K, V)]

def reduceByKey(func: (V, V) => V, numPartitions: Int): RDD[(K, V)]

说明

可以将数据按照相同的Key 对Value 进行聚合

案例实操

package com.atguigu.bigdata.spark.core.rdd.operator.transform

import org.apache.spark.rdd.RDD

import org.apache.spark.{SparkConf, SparkContext}

object Spark14_RDD_Operator_Transform {

def main(args: Array[String]): Unit = {

//TODO 准备环境

val sparkConf: SparkConf = new SparkConf().setMaster(“local[*]”).setAppName(“Operator”)

val sc = new SparkContext(sparkConf)

//TODO 算子 -key-value类型

val rdd = sc.makeRDD(List((“a”,1), (“b”,2), (“a”,2), (“b”,3)))

//reduceByKey:相同的key的数据进行value数据的聚合操作

//scala中一般的操作都是两两聚合，spark是基于scala开发的，所以它的聚合也是两两聚合

val reduceRDD: RDD[(String, Int)] = rdd.reduceByKey((x: Int, y: Int) => {

println(s"x = $x, y= $y")

x + y

})

reduceRDD.collect().foreach(println)

//TODO 关闭环境

sc.stop()

}

}

[](()19. groupByKey

函数定义

def groupByKey(): RDD[(K, Iterable[V])]

def groupByKey(numPartitions: Int): RDD[(K, Iterable[V])]

def groupByKey(partitioner: Partitioner): RDD[(K, Iterable[V])]

说明

将数据源的数据根据 key 对 value 进行分组。

案例实操

package com.atguigu.bigdata.spark.core.rdd.operator.transform

import org.apache.spark.rdd.RDD

import org.apache.spark.{SparkConf, SparkContext}

object Spark15_RDD_Operator_Transform {

def main(args: Array[String]): Unit = {

//TODO 准备环境

val sparkConf: SparkConf = new SparkConf().setMaster(“local[*]”).setAppName(“Operator”)

val sc = new SparkContext(sparkConf)

//TODO 算子 -key-value类型

val rdd = sc.makeRDD(List((“a”,1), (“b”,2), (“a”,2), (“b”,3)))

//groupByKey：将数据源中的数据，相同的key的数据放在一个组中，形一个对偶元组

// 元组中的第一个元素就是key

// 元组中的第二个元素就是相同key的value的集合

val groupRDD: RDD[(String, Iterable[Int])] = rdd.groupByKey()

val groupRDD1: RDD[(String, Iterable[(String, Int)])] = rdd.groupBy(_._1)

groupRDD.collect().foreach(println)

groupRDD1.collect().foreach(println)

//TODO 关闭环境

sc.stop()

}

}

[](()reduceByKey 和groupByKey 的区别

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

函数定义

def aggregateByKey[U: ClassTag](zeroValue: U)(seqOp: (U, V) => U,

combOp: (U, U) => U): RDD[(K, U)]

说明

将数据根据不同的规则进行分区内计算和分区间计算；

取出每个分区内相同 key 的最大值然后分区间相加

案例实操

package com.atguigu.bigdata.spark.core.rdd.operator.transform

import org.apache.spark.{SparkConf, SparkContext}

object Spark16_RDD_Operator_Transform {

def main(args: Array[String]): Unit = {

//TODO 准备环境

val sparkConf: SparkConf = new SparkConf().setMaster(“local[*]”).setAppName(“Operator”)

val sc = new SparkContext(sparkConf)

//TODO 算子 -key-value类型

val rdd = sc.makeRDD(List((“a”,1), (“a”,2), (“a”,3), (“a”,4)),2)

//aggregateByKey存在函数的柯里化，有两个参数列表

//第一个参数列表:需要传递一个参数，表示为初始值

// 主要用于当碰到第一个key的时候，和value进行分区内的计算

//第二个参数列表需要传递两个参数

// 第一个参数表示分区内的计算规则

// 第二个参数表示分区间的计算规则

// math.max(x,y)取最大值

rdd.aggregateByKey(0)(

(x,y) => math.max(x,y),

(x,y) => x + y

).collect().foreach(println)