4.RDD操作

一、 RDD创建

1、从本地文件系统中加载数据创建RDD

 

 

 

2、从HDFS加载数据创建RDD

　　启动hdfs

 

 

 

　　上传文件

 

 

 

　　查看文件

 

 

  

　　加载

 

 

 

　　停止hdfs

 

 

 

3、通过并行集合（列表）创建RDD

　　输入列表

 

 

   

  

　　字符串

 

 

  

　　numpy生成数组

　　若没有装numpy库，需先执行以下命令再继续操作

sudo apt install python3-pip
pip install numpy
pip install nose

 

 

 

 

二、 RDD操作

　　转换操作

　　1、filter(func)

　　显式定义函数

　　lambda函数

 

　2、map(func)

　　显式定义函数

　　lambda函数

 

 a、字符串分词

 

 

 

 

　　b、数字加100

 

 

 

 

　　c、字符串加固定前缀

 

 

 

 

 

 

 

 

 

　　3、flatMap(func)

　　a、分词

 

 

 

 

 

 

 

　　b、单词映射成键值对

 

 

 

 

　　4、reduceByKey()

　　a、统计词频，累加

 

 

 

 

 

 

　　b、乘法规则

 

 

 

 

　　5、groupByKey()

　　a、单词分组

 

 

 

 

 

　　b、查看分组的内容

 

 

 

 

 

　　c、分组之后做累加 map

 

 

 

 

　　6、sortByKey()

　　词频统计按单词排序

 

 

 

 

 

 

　　7、sortBy()

　　词频统计按词频排序

 

 

 

 

 

 

 

行动操作

　　1、foreach(print)

　　　　foreach(lambda a:print(a.upper())

 

 

 

　　2、collect()　

 

　　3、count()

 

 

 

 

　　4、first()

 

 

 

 

 

　　5、taken(n)

 

 

 

 

 

　　6、reduce() 

 

 

 

 

 

　　数值型的rdd元素做累加与reduceByKey区别

　　reduce：将RDD中元素前两个传给输入函数，产生一个新的return值，新产生的return值与RDD中下一个元素（第三个元素）组成两个元素，再被传给输入函数，直到最后只有一个值为止

　　reduceByKey：用于对每个key对应的多个value进行merge操作，最重要的是它能够在本地先进行merge操作，并且merge操作可以通过函数自定义