spark (六) RDD算子(operator)

目录

• 1 转换算子(transformer)(将旧的RDD包装成新RDD)
  • 1.1 单值类型
    • 1.1.1 map
    • 1.1.2 mapPartition
    • 1.1.3 mapPartitionsWithIndex
    • 1.1.4 flatMap
    • 1.1.5 glom
    • 1.1.6 groupBy
    • 1.1.7 filter
    • 1.1.8 sample
    • 1.1.9 distinct
    • 1.1.10 coalesce
    • 1.1.11 repartition
    • 1.1.12 sortBy
  • 1.2 双值类型
    • 1.2.1 union(并集, 不去重)
    • 1.2.2 intersection(交集)
    • 1.2.3 subtract(差集)
    • 1.2.4 zip(拉链)
  • 1.3 键值类型
    • 1.3.1 partitionBy(按照指定规则重新分区)
    • 1.3.2 groupByKey(分组)
    • 1.3.3 reduceByKey(分组+聚合, 单个无法聚合)
    • 1.3.4 aggregateByKey(分组+聚合, 区分分区间&分区内的逻辑. 需要初始值)
    • 1.3.5 foldByKey(分组+聚合, 统一分区间&分区内逻辑. 需要初始值)
    • 1.3.6 combineByKey(分组+聚合, 区分分区间&分区内的逻辑. 无需初始值)
    • 1.3.7 reduceByKey、foldByKey、aggregateByKey、combineByKey 的区别
    • 1.3.8 sortByKey
    • 1.3.9 join
    • 1.3.10 leftOuterJoin
    • 1.3.11 cogroup
• 2 行动算子(action)
  • 2.1 reduce(两两聚合)
  • 2.2 collect
  • 2.3 count
  • 2.4 first
  • 2.5 take
  • 2.6 takeOrdered(先排序再take)
  • 2.7 aggregate
  • 2.8 fold
  • 2.9 countByKey
  • 2.10 countByValue
  • 2.11 save相关算子
  • 2.12 foreach(分布式遍历)

1 转换算子(transformer)(将旧的RDD包装成新RDD)

1.1 单值类型

1.1.1 map

多个分区之间是并行的，分区内的数据是串行执行的

  def main(args: Array[String]): Unit = {
    val sparkConfig: SparkConf = new SparkConf()
      .setMaster("local[*]")
      .setAppName("WordCount")

    val sparkContext: SparkContext = new SparkContext(sparkConfig)

    val rdd: RDD[Int] = sparkContext.makeRDD(
      List(1, 2, 3, 4)
    )

//    val mapRDD: RDD[Int] = rdd.map((num: Int) => { num * 2 })
//    val mapRDD: RDD[Int] = rdd.map((num: Int) => num * 2)
//    val mapRDD: RDD[Int] = rdd.map((num) => num * 2)
//    val mapRDD: RDD[Int] = rdd.map(num => num * 2)
    val mapRDD: RDD[Int] = rdd.map(_ * 2)

    mapRDD.collect().foreach(println)

    sparkContext.stop()
  }

1.1.2 mapPartition

• 数据处理的角度
  • 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
  • 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。使用 map 操作

val rdd: RDD[Int] = sparkContext.makeRDD(
  List(1, 2, 3, 4), 2
)

// map是
val mapRDD: RDD[Int] = rdd.mapPartitions(iter => {
  println(">>>>>>>>>>>>>>>>")
  iter.map(_ * 2)
})

1.1.3 mapPartitionsWithIndex

特性：

• 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

// 如下示例：跳过分区0的数据
val dataRDD1 = dataRDD.mapPartitionsWithIndex(
   (index, datas) => {
       if (index == 0) {
           Nil.iterator
       } else {
           datas.map(index, _)
       }
   }
)

1.1.4 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

val dataRDD = sparkContext.makeRDD(List(
   List(1,2),List(3,4)
),1)
val dataRDD1 = dataRDD.flatMap(
   list => list
)

1.1.5 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

// 这里rdd分成了两个分区1,2 & 3,4
val rdd: RDD[Int] = sparkContext.makeRDD(
  List(1, 2, 3, 4), 2
)

// 运行到这里应该就变成了 [[1, 2], [3, 4]]
val glomRDD: RDD[Array[Int]] = rdd.glom()

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

// 以下为打印结果
1,2
3,4

1.1.6 groupBy

val dataRDD = sparkContext.makeRDD(List(1,2,3,4),1)
val dataRDD1 = dataRDD.groupBy(
_%2 )

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

1.1.7 filter

val dataRDD = sparkContext.makeRDD(List(
   1,2,3,4
),1)
val dataRDD1 = dataRDD.filter(_%2 == 0)

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

1.1.8 sample

val dataRDD = sparkContext.makeRDD(List(
   1,2,3,4
),1)
// 抽取数据不放回(伯努利算法)
// 伯努利算法:又叫 0、1 分布。例如扔硬币，要么正面，要么反面。
// 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
// 第一个参数:抽取的数据是否放回，false:不放回
// 第二个参数:抽取的几率，范围在[0,1]之间,0:全不取;1:全取;
// 第三个参数:随机数种子
val dataRDD1 = dataRDD.sample(false, 0.5)
// 抽取数据放回(泊松算法)
// 第一个参数:抽取的数据是否放回，true:放回;false:不放回
// 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
// 第三个参数:随机数种子
val dataRDD2 = dataRDD.sample(true, 2)

使用场景

主要出现数据倾斜时，使用该函数，数据倾斜主要发生在有shuffle操作时。数据重新整理后，可能会出现一个区的数据量很少，另一个数据量很大的情况，这种情况称为“数据倾斜”，导致一个节点的计算量较大，一个计算节点计算量较少，影响最终的处理效率。为了避免这种情况，可以在shuffle之前，进行sample操作，查看数据源中那些数据较多，提取处理。

1.1.9 distinct

val dataRDD = sparkContext.makeRDD(List(
   1,2,3,4,1,2
),1)
val dataRDD1 = dataRDD.distinct()
val dataRDD2 = dataRDD.distinct(2)


// 底层实现逻辑
map(x => (x, null)).reduceByKey((x, _) => x, numPartitions).map(_._1)

1.1.10 coalesce

val dataRDD = sparkContext.makeRDD(List(
   1,2,3,4,1,2
),6)
val dataRDD1 = dataRDD.coalesce(2)

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

1.1.11 repartition

val dataRDD = sparkContext.makeRDD(List(
   1,2,3,4,1,2
),2)
val dataRDD1 = dataRDD.repartition(4)

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

1.1.12 sortBy

val dataRDD = sparkContext.makeRDD(List(
   1,2,3,4,1,2
),2)
val dataRDD1 = dataRDD.sortBy(num=>num, false, 4)

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

1.2 双值类型

1.2.1 union(并集, 不去重)

两个RDD的数据类型必须一致

val rdd1: RDD[Int] = sparkContext.makeRDD(List(1, 2, 3, 4))
val rdd2: RDD[Int] = sparkContext.makeRDD(List(3, 4, 5, 6))

// 并集 1,2,3,4,3,4,5,6
val rdd3: RDD[Int] = rdd1.union(rdd2)
println(rdd3.collect().mkString(","))

1.2.2 intersection(交集)

两个RDD的数据类型必须一致

val rdd1: RDD[Int] = sparkContext.makeRDD(List(1, 2, 3, 4))
val rdd2: RDD[Int] = sparkContext.makeRDD(List(3, 4, 5, 6))

// 交集 3,4
val rdd4: RDD[Int] = rdd1.intersection(rdd2)
println(rdd4.collect().mkString(","))

1.2.3 subtract(差集)

两个RDD的数据类型必须一致

val rdd1: RDD[Int] = sparkContext.makeRDD(List(1, 2, 3, 4))
val rdd2: RDD[Int] = sparkContext.makeRDD(List(3, 4, 5, 6))

// 差集 1,2
val rdd5: RDD[Int] = rdd1.subtract(rdd2)
println(rdd5.collect().mkString(","))

1.2.4 zip(拉链)

val rdd1: RDD[Int] = sparkContext.makeRDD(List(1, 2, 3, 4))
val rdd2: RDD[Int] = sparkContext.makeRDD(List(3, 4, 5, 6))

// 拉链 (1,3),(2,4),(3,5),(4,6)
val rdd6: RDD[(Int, Int)] = rdd1.zip(rdd2)
println(rdd6.collect().mkString(","))

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

1.3 键值类型

键值类型会将RDD通过隐式转换implicit转换成PairRDDFunctions来调用键值类型相关的方法

1.3.1 partitionBy(按照指定规则重新分区)

val rdd: RDD[(Int, Int)] = sparkContext.makeRDD(List(1, 2, 3, 4)).map((_, 1))

val value: RDD[(Int, Int)] = rdd.partitionBy(new HashPartitioner(2))

• 如果重复使用同一个分区器
  • 内部有检查，如果重复使用同一个分区器，第二次之后的就不会重新分区了
• 内置的分区器
  • HashPartitioner
  • RangePartitioner

1.3.2 groupByKey(分组)

将数据源的数据根据 key 对 value 进行分组

val dataRDD1 =
   sparkContext.makeRDD(List(("a",1),("b",2),("c",3)))
val dataRDD2 = dataRDD1.groupByKey()
val dataRDD3 = dataRDD1.groupByKey(2)
val dataRDD4 = dataRDD1.groupByKey(new HashPartitioner(2))

1.3.3 reduceByKey(分组+聚合, 单个无法聚合)

val dataRDD1 = sparkContext.makeRDD(List(("a",1),("b",2),("c",3)))
val dataRDD2 = dataRDD1.reduceByKey(_+_)
val dataRDD3 = dataRDD1.reduceByKey(_+_, 2)

• 可以将数据按照相同的 Key 对 Value 进行聚合。
• reduceByKey内部有shuffle的操作。所有shuffle的操作都需要落盘，防止内存溢出
• reduceByKey 和 groupByKey 的区别
  • 性能角度: 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。
  • 功能角度：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

1.3.4 aggregateByKey(分组+聚合, 区分分区间&分区内的逻辑. 需要初始值)

reduceByKey 分区内和分区间的聚合规则是一样的。但是aggregateByKey可以分别指定分区内和分区间的规则

val rdd: RDD[(String, Int)] = sparkContext.makeRDD(List(
  ("a", 1),
  ("a", 4),
  ("a", 3),
  ("a", 5),
), 2)

rdd.aggregateByKey(0)( // 0是初始值，主要用于当碰见第一个key的时候，和value进行分区内计算
  (t1, t2) => math.max(t1, t2), // 分区内的逻辑
  (t1, t2) => t1 + t2) // 分区间的逻辑
  .collect()
  .foreach(println)
  
// 输出结果:
(a,9)

1.3.5 foldByKey(分组+聚合, 统一分区间&分区内逻辑. 需要初始值)

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

val rdd: RDD[(String, Int)] = sparkContext.makeRDD(List(
  ("a", 1),
  ("a", 4),
  ("a", 3),
  ("a", 5),
), 2)

rdd.aggregateByKey(0)( // 0是初始值，主要用于当碰见第一个key的时候，和value进行分区内计算
  (t1, t2) => t1 + t2) // 分区内 & 分区间的逻辑
  .collect()
  .foreach(println)

1.3.6 combineByKey(分组+聚合, 区分分区间&分区内的逻辑. 无需初始值)

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

val rdd: RDD[(String, Int)] = sparkContext.makeRDD(List(
  ("a", 88),
  ("b", 4),
  ("a", 1),
  ("b", 5),
  ("a", -99),
  ("b", -1),
), 2)


// 计算平均值
rdd.combineByKey(
  v => (v, 1), // 第一个参数，将RDD[(String, Int)]中的value转换成一个 tuple
  (t1: (Int, Int), v) => { // 分区内的数据处理, 将该 tuple 和其他value进行处理，返回新的tuple
    (t1._1 + v, t1._2 + 1)
  },
  (t1: (Int, Int), t2: (Int, Int)) => { // 分区间的数据处理。将分区间的多个tuple进行合并
    (t1._1 + t2._1, t1._2 + t2._2)
  },
)
  .mapValues(t => t._1.toFloat / t._2)
  .collect()
  .foreach(println)
  
// 输出结果
(b,2.6666667)
(a,-3.3333333)

1.3.7 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

1.3.8 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

val dataRDD1 = sparkContext.makeRDD(List(("a",1),("b",2),("c",3)))
val sortRDD1: RDD[(String, Int)] = dataRDD1.sortByKey(true)
val sortRDD1: RDD[(String, Int)] = dataRDD1.sortByKey(false)

1.3.9 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(K,(V,W))的 RDD

val rdd: RDD[(Int, String)] = sc.makeRDD(Array((1, "a"), (2, "b"), (3, "c")))
val rdd1: RDD[(Int, Int)] = sc.makeRDD(Array((1, 4), (2, 5), (3, 6)))
rdd.join(rdd1).collect().foreach(println)

1.3.10 leftOuterJoin

类似于 SQL 语句的左外连接

val dataRDD1 = sparkContext.makeRDD(List(("a",1),("b",2),("c",3)))
val dataRDD2 = sparkContext.makeRDD(List(("a",1),("b",2),("c",3)))
val rdd: RDD[(String, (Int, Option[Int]))] = dataRDD1.leftOuterJoin(dataRDD2)

1.3.11 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

val dataRDD1 = sparkContext.makeRDD(List(("a",1),("a",2),("c",3)))
val dataRDD2 = sparkContext.makeRDD(List(("a",1),("c",2),("c",3)))
val value: RDD[(String, (Iterable[Int], Iterable[Int]))] =
dataRDD1.cogroup(dataRDD2)

2 行动算子(action)

所谓的行动算子，其实就是触发作业(Job)执行的方法，底层代码调用的是环境对象的runJob方法。再底层会创建ActiveJob, 并提交执行

2.1 reduce(两两聚合)

val rdd: RDD[Int] = sc.makeRDD(List(1,2,3,4))
// 聚合数据
val reduceResult: Int = rdd.reduce(_+_)

println(reduceResult)

// 返回值
10

2.2 collect

将不同分区中的数据，按顺序采集到drive中

val rdd: RDD[Int] = sc.makeRDD(List(1,2,3,4))
// 收集数据到 Driver 
rdd.collect().foreach(println)

2.3 count

返回 RDD 中元素的个数

val rdd: RDD[Int] = sc.makeRDD(List(1,2,3,4))
// 返回 RDD 中元素的个数
val countResult: Long = rdd.count()

2.4 first

返回第一个元素

val rdd: RDD[Int] = sc.makeRDD(List(1,2,3,4))
// 返回 RDD 中元素的个数
val firstResult: Int = rdd.first() println(firstResult)

2.5 take

val rdd: RDD[Int] = sc.makeRDD(List(1,2,3,4))
// 返回 RDD 中元素的个数
val takeResult: Array[Int] = rdd.take(2) println(takeResult.mkString(","))

2.6 takeOrdered(先排序再take)

val rdd: RDD[Int] = sc.makeRDD(List(1,3,2,4))
// 返回 RDD 中元素的个数
val result: Array[Int] = rdd.takeOrdered(2)

2.7 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

val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4), 8)
// 将该 RDD 所有元素相加得到结果
//val result: Int = rdd.aggregate(0)(_ + _, _ + _) val result: Int = rdd.aggregate(10)(_ + _, _ + _)

2.8 fold

aggregate 的简化版操作, 分区内和分区间的规则一致

val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4))
val foldResult: Int = rdd.fold(0)(_+_)

2.9 countByKey

val rdd: RDD[(Int, String)] = sc.makeRDD(List((1, "a"), (1, "a"), (1, "a"), (2,
"b"), (3, "c"), (3, "c")))
// 统计每种 key 的个数
val result: collection.Map[Int, Long] = rdd.countByKey()

2.10 countByValue

val rdd: RDD[(Int, String)] = sc.makeRDD(List((1, "a"), (1, "a"), (1, "a"), (2,
"b"), (3, "c"), (3, "c")))
// 统计每种 key 的个数
val result: collection.Map[Int, Long] = rdd.countByValue()

2.11 save相关算子

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

2.12 foreach(分布式遍历)

分布式遍历 RDD 中的每一个元素，调用指定函数

val rdd: RDD[Int] = sc.makeRDD(List(1,2,3,4))
// 收集后打印 rdd.map(num=>num).collect().foreach(println)
println("****************")
// 分布式打印 rdd.foreach(println)