RDD 算子补充
一、RDD算子补充
1、mapPartitions
mapPartitions的输入函数作用于每个分区, 也就是把每个分区中的内容作为整体来处理。 (map是把每一行)
mapPartitions一次处理一个分区的所有数据,而map算子一次处理分区中的一条数据,所以mapPartitions处理数据的速度比map快,如果RDD分区的数据很庞大,用mapPartitions容易造成内存溢出,
如果RDD分区数据量小,从而提升速度的角度考虑,可以使用mapPartitions算子。
JAVA实现:
scala实现:
2、mapPartitionsWithIndex
mapPartitionsWithIndex方法与mapPartitions方法功能类似
不同的是mapPartitionsWithIndex还会对原始分区的索引进行 追踪, 这样就能知道分区所对应的元素 。 方法的参数为一个函数, 函数的输入为整型索引和迭代器。
JAVA实现:
public static void mapPartitionsWithIndex(){
SparkConf conf=new SparkConf().setAppName("mapPartitionsWithIndex").setMaster("local");
JavaSparkContext sc=new JavaSparkContext(conf);
//模拟数据并创建初始RDD
JavaRDD<String> datas = sc.parallelize(Arrays.asList("张三","李四","李思","李斯"),2);
JavaRDD<String> result = datas.mapPartitionsWithIndex(new Function2<Integer, Iterator<String>, Iterator<String>>() { /**
*
*/
private static final long serialVersionUID = 1L; public Iterator<String> call(Integer index, Iterator<String> datass) throws Exception {
// TODO Auto-generated method stub
ArrayList<String> arrayList = new ArrayList<String>();
while(datass.hasNext()){
String info="第"+index+"分区的数据:"+datass.next();
arrayList.add(info);
}
return arrayList.iterator();
}
}, false); List<String> collect = result.collect();
for(String a:collect){
System.out.println(a);
} sc.close();
}
scala实现:
def mapPartitionsWithIndex: Unit ={
val conf=new SparkConf().setAppName("cogroup").setMaster("local")
val sc=new SparkContext(conf)
val a=sc.parallelize(Array("liu","zhao","wang","li"),2)
val result=a.mapPartitionsWithIndex((x,y)=>{
val arraybuffer=ArrayBuffer[String]()
while(y.hasNext){
val info=x+" "+y.next()
arraybuffer+=info
}
arraybuffer.iterator
})
result.foreach(x=>{
println(x)
})
sc.stop()
}
3、mapValues运算
可以针对RDD内每一组(key,value)进行运算, 并且产生另外一个RDD。
例如: 将每一组( key,value) 的value进行平方运算
kvRDD1.mapValues(x => x*x).collect
4、union
union方法( 等价于“++”) 是将两个RDD取并集, 取并集的过程中不 会把相同元素去掉。 union操作是输入分区与输出分区多对一模式。
scala实现:
def union: Unit ={
val conf=new SparkConf().setAppName("union").setMaster("local")
val sc=new SparkContext(conf)
val rdd1=sc.parallelize(Array((1,2),(2,3),(3,4)))
val rdd2=sc.parallelize(Array((1,2),(4,3),(5,4)))
val result=rdd1.union(rdd2)
result.foreach(x=>{
println(x._1+" "+x._2)
})
sc.stop()
}
结果:
1 2
2 3
3 4
1 2
4 3
5 4
5、distinct
distinct方法是将RDD中重复的元素去掉, 只留下唯一的RDD元素。
6、intersection交集运算
intersection方法可以获取两个RDD中相同的数据
def intersection: Unit ={
val conf=new SparkConf().setAppName("intersection").setMaster("local")
val sc=new SparkContext(conf)
val rdd1=sc.parallelize(Array((1,2),(2,3),(3,4)))
val rdd2=sc.parallelize(Array((1,2),(4,3),(5,4)))
val result=rdd1.intersection(rdd2).foreach(x=>{
println(x._1+" "+x._2)})
sc.stop()
}
7、subtract差集运算
intRDD1.subtract(intRDD2).collect()
intRDD1是List(3,1,2,5,5), 扣除intRDD2 List(5,6)重复的部分5, 所 以结果是(1,2,3)
//把rdd1 rdd2中的相同项,从rdd1中去除掉
def subtract: Unit ={
val conf=new SparkConf().setAppName("intersection").setMaster("local")
val sc=new SparkContext(conf)
val rdd1=sc.parallelize(Array((1,2),(2,3),(3,4)))
val rdd2=sc.parallelize(Array((1,2),(4,3),(5,4)))
rdd1.subtract(rdd2).foreach(x=>{
println(x._1+" "+x._2)})
sc.stop()
}
8、aggregateByKey
reduceByKey认为是aggregateByKey的简化版
aggregateByKey最重要的一点是, 多提供了一个函数, Seq Function
可以控制如何对每个partition中的数据进行先聚合, 类似于mapreduce中的map-side combine, 然后才是对所有partition中的数据进行全局聚合
aggregateByKey, 分为三个参数:
第一个参数是, 每个key的初始值
第二个是个函数, Seq Function, 如何进行shuffle map-side的本地聚合
第三个是个函数, Combiner Function, 如何进行shuffle reduce-side的全局聚合
Java实现:
scala实现:
//在调用aggregateByKey算子时,第二、三两个参数时(这两个参数传入的是函数),运用柯里化的方式,不需要给函数传参
def aggregateByKey: Unit ={
val conf=new SparkConf().setAppName("aggregateByKey").setMaster("local")
val sc=new SparkContext(conf)
val lines=sc.textFile("file:///home/hadoop/product.txt")
def seq(num1:Int,num2:Int):Int={
num1+num2
}
def comb(num1:Int,num2:Int):Int={
num1+num2
}
lines.map(x=>(x,1)).aggregateByKey(0)(seq,comb).foreach(x=>{
println(x._1+" "+x._2)
})
}
9、cartesian
cartesian, 中文名笛卡尔乘积
比如说两个RDD, 分别有10条数据, 用了cartesian算子以后,两个RDD的每一条数据都会和另外一个RDD的每一条数据执行一次join,最终组成了一个笛卡尔乘积
def cartesian: Unit ={
val conf=new SparkConf().setAppName("cartesian").setMaster("local")
val sc=new SparkContext(conf)
val rdd1=sc.parallelize(Array((1,2),(2,3),(3,4)))
val rdd2=sc.parallelize(Array((1,2),(4,3),(5,4)))
rdd1.cartesian(rdd2).foreach(x=>{
println(x._1+" "+x._2)
})
}
(1,2) (1,2)
(1,2) (4,3)
(1,2) (5,4)
(2,3) (1,2)
(2,3) (4,3)
(2,3) (5,4)
(3,4) (1,2)
(3,4) (4,3)
(3,4) (5,4)
10、coalesce
coalesce算子, 功能是将RDD的partition缩减, 将一定量的数据压缩到更少的partition中去。建议的使用场景, 配合filter算子使用
使用filter算子过滤掉很多数据以后, 比如30%的数据, 出现了很多partition中的数据不均匀的情况
此时建议使用coalesce算子, 压缩rdd的partition数量, 从而让各个partition中的数 据都更加的紧凑
缺点:只能减少分区数,不能增加分区数
11、repartition
repartition算子, 用于任意将rdd的partition增多或者减少
与coalesce不同之处在于, coalesce仅仅能将rdd的partition变少, 但是 repartition可以将rdd的partiton变多
一个很经典的场景, 使用Spark SQL从hive中查询数据时 Spark SQL会根据hive对应的hdfs文件的block数量来决定加载出来的数据rdd 中有多少个partition,这里的partition数量, 是我们根本无法
设置的
有时候可能自动设置的partition数量过少, 导致我们后面的算子的运行特别慢 此时就可以在Spark SQL加载hive数据到rdd之后, 立即使用repartition算子, 将rdd的partition数量变多
def repartition: Unit ={
val conf=new SparkConf().setAppName("cartesian").setMaster("local")
val sc=new SparkContext(conf)
val a=sc.parallelize(Array("liu","zhao","wang","li","lll","aa"),3)
val result=a.coalesce(2)//通过 coalesce减少分区
// val result=a.repartition(4) 通过repartition增加 或者减少分区数
result.mapPartitionsWithIndex((x,y)=>{
val arr=ArrayBuffer[String]()
while(y.hasNext){
val info=x+" "+y.next()
arr+=info
}
arr.iterator
}).foreach(x=>println(x))
}
补充:1、map:一次处理分区中的一条数据
mapPartitions:一次处理分区中的所有数据
mapPartitionsWithIndex:一次处理分区中的所有数据 ,并且返回分区的索引,索引从0开始
注意:如果RDD分区中的数据体量比较大,用mapPartitions或者mapPartitionsWithIndex进行计算,有可能出现内存溢出(OOM)
如果RDD分区数据体量比较小,此时为了提高数据计算的效率,可以使用mapPartitions或mapPartitionsWithIndex进行计算
RDD 算子补充的更多相关文章
- RDD算子
RDD算子 #常用Transformation(即转换,延迟加载) #通过并行化scala集合创建RDD val rdd1 = sc.parallelize(Array(1,2,3,4,5,6,7,8 ...
- RDD算子、RDD依赖关系
RDD:弹性分布式数据集, 是分布式内存的一个抽象概念 RDD:1.一个分区的集合, 2.是计算每个分区的函数 , 3.RDD之间有依赖关系 4.一个对于key-value的RDD的Partit ...
- spark教程(四)-SparkContext 和 RDD 算子
SparkContext SparkContext 是在 spark 库中定义的一个类,作为 spark 库的入口点: 它表示连接到 spark,在进行 spark 操作之前必须先创建一个 Spark ...
- Spark性能调优-RDD算子调优篇(深度好文,面试常问,建议收藏)
RDD算子调优 不废话,直接进入正题! 1. RDD复用 在对RDD进行算子时,要避免相同的算子和计算逻辑之下对RDD进行重复的计算,如下图所示: 对上图中的RDD计算架构进行修改,得到如下图所示的优 ...
- Spark中普通集合与RDD算子的sortBy()有什么区别
分别观察一下集合与算子的sortBy()的参数列表 普通集合的sortBy() RDD算子的sortBy() 结论:普通集合的sortBy就没有false参数,也就是说只能默认的升序排. 如果需要对普 ...
- Spark RDD算子介绍
Spark学习笔记总结 01. Spark基础 1. 介绍 Spark可以用于批处理.交互式查询(Spark SQL).实时流处理(Spark Streaming).机器学习(Spark MLlib) ...
- 大数据入门第二十二天——spark(二)RDD算子(2)与spark其它特性
一.JdbcRDD与关系型数据库交互 虽然略显鸡肋,但这里还是记录一下(点开JdbcRDD可以看到限制比较死,基本是鸡肋.但好在我们可以通过自定义的JdbcRDD来帮助我们完成与关系型数据库的交互.这 ...
- 大数据入门第二十二天——spark(二)RDD算子(1)
一.RDD概述 1.什么是RDD RDD(Resilient Distributed Dataset)叫做分布式数据集,是Spark中最基本的数据抽象,它代表一个不可变.可分区.里面的元素可并行计算的 ...
- RDD算子的使用
TransformationDemo.scala import org.apache.spark.{HashPartitioner, SparkConf, SparkContext} import s ...
随机推荐
- hive的内置函数和自定义函数
一.内置函数 1.一般常用函数 .取整函数 round() 当传入第二个参数则为精度 bround() 银行家舍入法:为5时,前一位为偶则舍,奇则进. .向下取整 floor() .向上取整 ceil ...
- Zabbix自动发现之fping
原文发表于cu:2016-06-21 Zabbix自动发现功能从配置流程上比较简单:Discovery与Action. 在做Zabbix的自动发现验证时,使用"ICMP ping" ...
- 简述AQS原理
这是一道面试题:简述AQS原理 AQS核心思想是,如果被请求的共享资源空闲,则将当前请求资源的线程设置为有效的工作线程,并且将共享资源设置为锁定状态.如果被请求的共享资源被占用,那么就需要一套线程阻塞 ...
- C# ArcFace 免费人脸识别 2.0 demo
**配置过程:** 1. 到[虹软官网](https://ai.arcsoft.com.cn/index.htm?utm_source=csdn&utm_medium=referral)下载S ...
- 无法找到 ContextLoaderListener 类
问题:java.lang.ClassNotFoundException: org.springframework.web.context.ContextLoaderListener 原因:Eclips ...
- pyextend库-accepts函数参数检查
pyextend - python extend lib accepts(exception=TypeError, **types) 参数: exception: 检查失败时的抛出异常类型 **typ ...
- pandas中DataFrame的ix,loc,iloc索引方式的异同
pandas中DataFrame的ix,loc,iloc索引方式的异同 1.loc: 按照标签索引,范围包括start和end 2.iloc: 在位置上进行索引,不包括end 3.ix: 先在inde ...
- IDEA + SSH OA 第一天(IDEA 文件夹类型了解)
回顾一下 IDEA 的文件夹的类型 设置文件夹方法 或者点击右上角的 文件夹的类型选择:可通过,右键文件夹,选择你要的类型: Sources Root : 源码的目录 Resources Root:源 ...
- C++对象内存布局测试总结
C++对象内存布局测试总结 http://hi.baidu.com/����/blog/item/826d38ff13c32e3a5d6008e8.html 上文是半年前对虚函数.虚拟继承的理解.可能 ...
- ansible的介绍和一些基本模块介绍
必须保证ansible工作站与各个node实现无密码ssh登入 ①:192.168.1.100 - 在你本地的工作站或服务器上安装 Ansible. ②:文件服务器1到代理服务器3 - 使用 19 ...