RDD之六:Action算子

本质上在Actions算子中通过SparkContext执行提交作业的runJob操作,触发了RDD DAG的执行。 
根据Action算子的输出空间将Action算子进行分类:无输出、 HDFS、 Scala集合和数据类型。

无输出

foreach

对RDD中的每个元素都应用f函数操作,不返回RDD和Array,而是返回Uint。 

图中,foreach算子通过用户自定义函数对每个数据项进行操作。 本例中自定义函数为println,控制台打印所有数据项。

源码:

 

[plain] view plain copy
 
 在CODE上查看代码片派生到我的代码片
  1. /**  
  2.  * Applies a function f to all elements of this RDD.  
  3.  */  
  4. def foreach(f: T => Unit) {  
  5.   val cleanF = sc.clean(f)  
  6.   sc.runJob(this, (iter: Iterator[T]) => iter.foreach(cleanF))  
  7. }  

 

HDFS

(1)saveAsTextFile

函数将数据输出,存储到HDFS的指定目录。将RDD中的每个元素映射转变为(Null,x.toString),然后再将其写入HDFS。 

图中,左侧的方框代表RDD分区,右侧方框代表HDFS的Block。 通过函数将RDD的每个分区存储为HDFS中的一个Block。

源码:

 

[plain] view plain copy
 
 在CODE上查看代码片派生到我的代码片
  1. /**  
  2.  * Save this RDD as a text file, using string representations of elements.  
  3.  */  
  4. def saveAsTextFile(path: String) {  
  5.   // https://issues.apache.org/jira/browse/SPARK-2075  
  6.   //  
  7.   // NullWritable is a `Comparable` in Hadoop 1.+, so the compiler cannot find an implicit  
  8.   // Ordering for it and will use the default `null`. However, it's a `Comparable[NullWritable]`  
  9.   // in Hadoop 2.+, so the compiler will call the implicit `Ordering.ordered` method to create an  
  10.   // Ordering for `NullWritable`. That's why the compiler will generate different anonymous  
  11.   // classes for `saveAsTextFile` in Hadoop 1.+ and Hadoop 2.+.  
  12.   //  
  13.   // Therefore, here we provide an explicit Ordering `null` to make sure the compiler generate  
  14.   // same bytecodes for `saveAsTextFile`.  
  15.   val nullWritableClassTag = implicitly[ClassTag[NullWritable]]  
  16.   val textClassTag = implicitly[ClassTag[Text]]  
  17.   val r = this.mapPartitions { iter =>  
  18.     val text = new Text()  
  19.     iter.map { x =>  
  20.       text.set(x.toString)  
  21.       (NullWritable.get(), text)  
  22.     }  
  23.   }  
  24.   RDD.rddToPairRDDFunctions(r)(nullWritableClassTag, textClassTag, null)  
  25.     .saveAsHadoopFile[TextOutputFormat[NullWritable, Text]](path)  
  26. }  
  27.   
  28. /**  
  29.  * Save this RDD as a compressed text file, using string representations of elements.  
  30.  */  
  31. def saveAsTextFile(path: String, codec: Class[_ <: CompressionCodec]) {  
  32.   // https://issues.apache.org/jira/browse/SPARK-2075  
  33.   val nullWritableClassTag = implicitly[ClassTag[NullWritable]]  
  34.   val textClassTag = implicitly[ClassTag[Text]]  
  35.   val r = this.mapPartitions { iter =>  
  36.     val text = new Text()  
  37.     iter.map { x =>  
  38.       text.set(x.toString)  
  39.       (NullWritable.get(), text)  
  40.     }  
  41.   }  
  42.   RDD.rddToPairRDDFunctions(r)(nullWritableClassTag, textClassTag, null)  
  43.     .saveAsHadoopFile[TextOutputFormat[NullWritable, Text]](path, codec)  
  44. }  

 

(2)saveAsObjectFile

saveAsObjectFile将分区中的每10个元素组成一个Array,然后将这个Array序列化,映射为(Null,BytesWritable(Y))的元素,写入HDFS为SequenceFile的格式。

图中,左侧方框代表RDD分区,右侧方框代表HDFS的Block。 通过函数将RDD的每个分区存储为HDFS上的一个Block。

源码:

 

[plain] view plain copy
 
 在CODE上查看代码片派生到我的代码片
  1. /**  
  2.  * Save this RDD as a SequenceFile of serialized objects.  
  3.  */  
  4. def saveAsObjectFile(path: String) {  
  5.   this.mapPartitions(iter => iter.grouped(10).map(_.toArray))  
  6.     .map(x => (NullWritable.get(), new BytesWritable(Utils.serialize(x))))  
  7.     .saveAsSequenceFile(path)  
  8. }  

 

Scala集合和数据类型

(1)collect

collect相当于toArray,toArray已经过时不推荐使用,collect将分布式的RDD返回为一个单机的scala Array数组。 在这个数组上运用scala的函数式操作。

图中,左侧方框代表RDD分区,右侧方框代表单机内存中的数组。通过函数操作,将结果返回到Driver程序所在的节点,以数组形式存储。

源码:

 

[plain] view plain copy
 
 在CODE上查看代码片派生到我的代码片
  1. /**  
  2.  * Return an array that contains all of the elements in this RDD.  
  3.  */  
  4. def collect(): Array[T] = {  
  5.   val results = sc.runJob(this, (iter: Iterator[T]) => iter.toArray)  
  6.   Array.concat(results: _*)  
  7. }  

 

(2)collectAsMap

collectAsMap对(K,V)型的RDD数据返回一个单机HashMap。对于重复K的RDD元素,后面的元素覆盖前面的元素。 

图中,左侧方框代表RDD分区,右侧方框代表单机数组。数据通过collectAsMap函数返回给Driver程序计算结果,结果以HashMap形式存储。

源码:

 

[plain] view plain copy
 
 在CODE上查看代码片派生到我的代码片
  1. /**  
  2.  * Return the key-value pairs in this RDD to the master as a Map.  
  3.  *  
  4.  * Warning: this doesn't return a multimap (so if you have multiple values to the same key, only  
  5.  *          one value per key is preserved in the map returned)  
  6.  */  
  7. def collectAsMap(): Map[K, V] = {  
  8.   val data = self.collect()  
  9.   val map = new mutable.HashMap[K, V]  
  10.   map.sizeHint(data.length)  
  11.   data.foreach { pair => map.put(pair._1, pair._2) }  
  12.   map  
  13. }  

 

(3)reduceByKeyLocally

实现的是先reduce再collectAsMap的功能,先对RDD的整体进行reduce操作,然后再收集所有结果返回为一个HashMap。

源码:

 

[plain] view plain copy
 
 在CODE上查看代码片派生到我的代码片
  1. /**  
  2.  * Merge the values for each key using an associative reduce function, but return the results  
  3.  * immediately to the master as a Map. This will also perform the merging locally on each mapper  
  4.  * before sending results to a reducer, similarly to a "combiner" in MapReduce.  
  5.  */  
  6. def reduceByKeyLocally(func: (V, V) => V): Map[K, V] = {  
  7.   
  8.   if (keyClass.isArray) {  
  9.     throw new SparkException("reduceByKeyLocally() does not support array keys")  
  10.   }  
  11.   
  12.   val reducePartition = (iter: Iterator[(K, V)]) => {  
  13.     val map = new JHashMap[K, V]  
  14.     iter.foreach { pair =>  
  15.       val old = map.get(pair._1)  
  16.       map.put(pair._1, if (old == null) pair._2 else func(old, pair._2))  
  17.     }  
  18.     Iterator(map)  
  19.   } : Iterator[JHashMap[K, V]]  
  20.   
  21.   val mergeMaps = (m1: JHashMap[K, V], m2: JHashMap[K, V]) => {  
  22.     m2.foreach { pair =>  
  23.       val old = m1.get(pair._1)  
  24.       m1.put(pair._1, if (old == null) pair._2 else func(old, pair._2))  
  25.     }  
  26.     m1  
  27.   } : JHashMap[K, V]  
  28.   
  29.   self.mapPartitions(reducePartition).reduce(mergeMaps)  
  30. }  

 

(4)lookup

Lookup函数对(Key,Value)型的RDD操作,返回指定Key对应的元素形成的Seq。这个函数处理优化的部分在于,如果这个RDD包含分区器,则只会对应处理K所在的分区,然后返回由(K,V)形成的Seq。如果RDD不包含分区器,则需要对全RDD元素进行暴力扫描处理,搜索指定K对应的元素。

图中,左侧方框代表RDD分区,右侧方框代表Seq,最后结果返回到Driver所在节点的应用中。

源码:

 

[plain] view plain copy
 
 在CODE上查看代码片派生到我的代码片
  1. /**  
  2.  * Return the list of values in the RDD for key `key`. This operation is done efficiently if the  
  3.  * RDD has a known partitioner by only searching the partition that the key maps to.  
  4.  */  
  5. def lookup(key: K): Seq[V] = {  
  6.   self.partitioner match {  
  7.     case Some(p) =>  
  8.       val index = p.getPartition(key)  
  9.       val process = (it: Iterator[(K, V)]) => {  
  10.         val buf = new ArrayBuffer[V]  
  11.         for (pair <- it if pair._1 == key) {  
  12.           buf += pair._2  
  13.         }  
  14.         buf  
  15.       } : Seq[V]  
  16.       val res = self.context.runJob(self, process, Array(index), false)  
  17.       res(0)  
  18.     case None =>  
  19.       self.filter(_._1 == key).map(_._2).collect()  
  20.   }  
  21. }  

 

(5)count

count返回整个RDD的元素个数。 

图中,返回数据的个数为5。一个方块代表一个RDD分区。

源码:

 

[plain] view plain copy
 
 在CODE上查看代码片派生到我的代码片
  1. /**  
  2.  * Return the number of elements in the RDD.  
  3.  */  
  4. def count(): Long = sc.runJob(this, Utils.getIteratorSize _).sum  

 

(6)top

top可返回最大的k个元素。 
相近函数说明:

  • top返回最大的k个元素。
  • take返回最小的k个元素。
  • takeOrdered返回最小的k个元素, 并且在返回的数组中保持元素的顺序。
  • first相当于top( 1) 返回整个RDD中的前k个元素, 可以定义排序的方式Ordering[T]。返回的是一个含前k个元素的数组。

源码:

 

[plain] view plain copy
 
 在CODE上查看代码片派生到我的代码片
  1. /**  
  2.  * Returns the top k (largest) elements from this RDD as defined by the specified  
  3.  * implicit Ordering[T]. This does the opposite of [[takeOrdered]]. For example:  
  4.  * {{{  
  5.  *   sc.parallelize(Seq(10, 4, 2, 12, 3)).top(1)  
  6.  *   // returns Array(12)  
  7.  *  
  8.  *   sc.parallelize(Seq(2, 3, 4, 5, 6)).top(2)  
  9.  *   // returns Array(6, 5)  
  10.  * }}}  
  11.  *  
  12.  * @param num k, the number of top elements to return  
  13.  * @param ord the implicit ordering for T  
  14.  * @return an array of top elements  
  15.  */  
  16. def top(num: Int)(implicit ord: Ordering[T]): Array[T] = takeOrdered(num)(ord.reverse)  

 

(7)reduce

reduce函数相当于对RDD中的元素进行reduceLeft函数的操作。 
reduceLeft先对两个元素

 

[plain] view plain copy
 
 在CODE上查看代码片派生到我的代码片
  1. /**  
  2.  * Reduces the elements of this RDD using the specified commutative and  
  3.  * associative binary operator.  
  4.  */  
  5. def reduce(f: (T, T) => T): T = {  
  6.   val cleanF = sc.clean(f)  
  7.   val reducePartition: Iterator[T] => Option[T] = iter => {  
  8.     if (iter.hasNext) {  
  9.       Some(iter.reduceLeft(cleanF))  
  10.     } else {  
  11.       None  
  12.     }  
  13.   }  
  14.   var jobResult: Option[T] = None  
  15.   val mergeResult = (index: Int, taskResult: Option[T]) => {  
  16.     if (taskResult.isDefined) {  
  17.       jobResult = jobResult match {  
  18.         case Some(value) => Some(f(value, taskResult.get))  
  19.         case None => taskResult  
  20.       }  
  21.     }  
  22.   }  
  23.   sc.runJob(this, reducePartition, mergeResult)  
  24.   // Get the final result out of our Option, or throw an exception if the RDD was empty  
  25.   jobResult.getOrElse(throw new UnsupportedOperationException("empty collection"))  
  26. }  

 

(8)fold

fold和reduce的原理相同,但是与reduce不同,相当于每个reduce时,迭代器取的第一个元素是zeroValue。 

图中,通过用户自定义函数进行fold运算,图中的一个方框代表一个RDD分区。

源码:

 

[plain] view plain copy
 
 在CODE上查看代码片派生到我的代码片
  1. /**  
  2.  * Aggregate the elements of each partition, and then the results for all the partitions, using a  
  3.  * given associative function and a neutral "zero value". The function op(t1, t2) is allowed to  
  4.  * modify t1 and return it as its result value to avoid object allocation; however, it should not  
  5.  * modify t2.  
  6.  */  
  7. def fold(zeroValue: T)(op: (T, T) => T): T = {  
  8.   // Clone the zero value since we will also be serializing it as part of tasks  
  9.   var jobResult = Utils.clone(zeroValue, sc.env.closureSerializer.newInstance())  
  10.   val cleanOp = sc.clean(op)  
  11.   val foldPartition = (iter: Iterator[T]) => iter.fold(zeroValue)(cleanOp)  
  12.   val mergeResult = (index: Int, taskResult: T) => jobResult = op(jobResult, taskResult)  
  13.   sc.runJob(this, foldPartition, mergeResult)  
  14.   jobResult  
  15. }  

 

(9)aggregate

aggregate先对每个分区的所有元素进行aggregate操作,再对分区的结果进行fold操作。 
aggreagate与fold和reduce的不同之处在于,aggregate相当于采用归并的方式进行数据聚集,这种聚集是并行化的。 而在fold和reduce函数的运算过程中,每个分区中需要进行串行处理,每个分区串行计算完结果,结果再按之前的方式进行聚集,并返回最终聚集结果。

图中,通过用户自定义函数对RDD 进行aggregate的聚集操作,图中的每个方框代表一个RDD分区。

源码:

 

[plain] view plain copy
 
 在CODE上查看代码片派生到我的代码片
  1. /**  
  2.  * Aggregate the elements of each partition, and then the results for all the partitions, using  
  3.  * given combine functions and a neutral "zero value". This function can return a different result  
  4.  * type, U, than the type of this RDD, T. Thus, we need one operation for merging a T into an U  
  5.  * and one operation for merging two U's, as in scala.TraversableOnce. Both of these functions are  
  6.  * allowed to modify and return their first argument instead of creating a new U to avoid memory  
  7.  * allocation.  
  8.  */  
  9. def aggregate[U: ClassTag](zeroValue: U)(seqOp: (U, T) => U, combOp: (U, U) => U): U = {  
  10.   // Clone the zero value since we will also be serializing it as part of tasks  
  11.   var jobResult = Utils.clone(zeroValue, sc.env.closureSerializer.newInstance())  
  12.   val cleanSeqOp = sc.clean(seqOp)  
  13.   val cleanCombOp = sc.clean(combOp)  
  14.   val aggregatePartition = (it: Iterator[T]) => it.aggregate(zeroValue)(cleanSeqOp, cleanCombOp)  
  15.   val mergeResult = (index: Int, taskResult: U) => jobResult = combOp(jobResult, taskResult)  
  16.   sc.runJob(this, aggregatePartition, mergeResult)  
  17.   jobResult  
  18.  }  

原文链接:http://blog.csdn.net/jasonding1354

posted on 2017-01-20 20:48  duanxz  阅读(1194)  评论(0编辑  收藏  举报