Spark-Core RDD转换算子-Value型
1、 map(func)
作用: 返回一个新的 RDD, 该 RDD 是由原 RDD 的每个元素经过函数转换后的值而组成. 就是对 RDD 中的数据做转换.
创建一个包含1-10的的 RDD,然后将每个元素*2形成新的 RDD
scala > val rdd1 = sc.parallelize(1 to 10)
// 得到一个新的 RDD, 但是这个 RDD 中的元素并不是立即计算出来的
scala> val rdd2 = rdd1.map(_ * 2)
2、mapPartitions(func)
作用: 类似于map(func), 但是是独立在每个分区上运行.所以:Iterator<T> => Iterator<U>
假设有N个元素,有M个分区,那么map的函数的将被调用N次,而mapPartitions被调用M次,一个函数一次处理所有分区。
scala > val rdd1 = sc.parallelize(1 to 10)
// 得到一个新的 RDD, 但是这个 RDD 中的元素并不是立即计算出来的
scala> val rdd2 = rdd1.mapPartitions(_ * 2)
scala> rdd2.collect
res9: Array[Int] = Array(2, 4, 6, 8, 10, 12, 14, 16, 18, 20)
3、mapPartitionsWithIndex(func)
作用: 和mapPartitions(func)类似. 但是会给func多提供一个Int值来表示分区的索引. 所以func的类型是:
(Int, Iterator<T>)=> Iterator<U>
scala> val rdd1 = sc.parallelize(Array(10,20,30,40,50,60))
scala> val rdd2 = rdd1.mapPartitionsWithIndex((index, items) => items.map((index, _)))
scala> res2.collect
res9: Array[(Int, Int)] = Array((0,10), (0,20), (0,30), (1,40), (1,50), (1,60))
(1)确定分区数
override def defaultParallelism(): Int =
scheduler.conf.getInt("spark.default.parallelism", totalCores)
(2)对元素分区
// length: RDD 中数据的长度 numSlices: 分区数
def positions(length: Long, numSlices: Int): Iterator[(Int, Int)] = {
(0 until numSlices).iterator.map { i =>
val start = ((i * length) / numSlices).toInt
val end = (((i + 1) * length) / numSlices).toInt
(start, end)
}
}
seq match {
case r: Range =>
case nr: NumericRange[_] =>
case _ =>
val array = seq.toArray // To prevent O(n^2) operations for List etc
positions(array.length, numSlices).map { case (start, end) =>
array.slice(start, end).toSeq
}.toSeq
}
5、map和mapPartitions的区别
(1) map():每次处理一条数据。
(2) mapPartition():每次处理一个分区的数据,这个分区的数据处理完后,原 RDD 中该分区的数据才能释放,可能导致 OOM。
6、flatMap(func)
作用: 类似于map,但是每一个输入元素可以被映射为 0
或多
个输出元素(所以func应该返回一个序列,而不是单一元素 T => TraversableOnce[U])
创建一个元素为 1-5 的RDD,运用 flatMap创建一个新的 RDD,新的 RDD 为原 RDD 每个元素的 平方和三次方 来组成 1,1,4,8,9,27..
scala> val rdd1 = sc.parallelize(Array(1,2,3,4,5))
scala> val rdd2 =rdd1.flatMap(x => Array(x * x, x * x * x))
scala> rdd2.collect
res14: Array[Int] = Array(1, 1, 4, 8, 9, 27, 16, 64, 25, 125)
7、glom()
作用: 将每一个分区的元素合并成一个数组,形成新的 RDD 类型是RDD[Array[T]]
scala> var rdd1 = sc.parallelize(Array(10,20,30,40,50,60), 4)
scala> rdd1.glom.collect
res2: Array[Array[Int]] = Array(Array(10), Array(20, 30), Array(40), Array(50, 60))
8、groupBy(func)
作用:按照func的返回值进行分组.
func返回值作为 key, 对应的值放入一个迭代器中. 返回的 RDD: RDD[(K,Iterable[T])
创建一个 RDD,按照元素的奇偶性进行分组
scala> val rdd1 = sc.makeRDD(Array(1, 3, 4, 20, 4, 5, 8))
scala> val rdd2 = rdd1.groupBy(x => if(x % 2 == 1) "odd" else "even")
scala> rdd2.collect
res5: Array[(String, Iterable[Int])] = Array((even,CompactBuffer(4, 20, 4, 8)), (odd,CompactBuffer(1, 3, 5)))
9、filter(func)
作用: 过滤. 返回一个新的 RDD 是由func的返回值为true
的那些元素组成
创建一个 RDD(由字符串组成),过滤出一个新 RDD(包含“xiao”子串)
scala> val rdd1 = sc.parallelize(Array("xiaoli", "laoli", "laowang", "xiaocang", "xiaojing", "xiaokong"))
scala> val rdd2 = rdd1.filter(_.contains("xiao"))
scala> rdd2.collect
res4: Array[String] = Array(xiaoli, xiaocang, xiaojing, xiaokong)
10、sample(withReplacement,fraction,seed)
作用
(1)以指定的随机种子随机抽样出比例为fraction
的数据,(抽取到的数量是: size * fraction
). 需要注意的是得到的结果并不能保证准确的比例
(2)withReplacement表示是抽出的数据是否放回
true为有放回的抽样
false为无放回的抽样
true放回表示数据有可能会被重复抽取到,是 true, 则fraction大于等于0就可以了
false 则不可能重复抽取到. 如果是false, 则fraction必须是:[0,1]
(3)seed用于指定随机数生成器种子。 一般用默认的, 或者传入当前的时间戳
(4)不放回抽样
scala> val rdd1 = sc.parallelize(1 to 10)
scala> rdd1.sample(false, 0.5).collect
res15: Array[Int] = Array(1, 3, 4, 7)
(5)放回抽样
scala> val rdd1 = sc.parallelize(1 to 10)
scala> rdd1.sample(true, 2).collect
res25: Array[Int] = Array(1, 1, 2, 3, 3, 4, 4, 5, 5, 5, 5, 5, 6, 6, 7, 7, 8, 8, 9)
11、distinct([numTasks])
作用:对 RDD 中元素执行去重操作. 参数表示任务的数量.默认值和分区数保持一致.
scala> val rdd1 = sc.parallelize(Array(10,10,2,5,3,5,3,6,9,1))
scala> rdd1.distinct().collect
res29: Array[Int] = Array(6, 10, 2, 1, 3, 9, 5)
本质上是reduceByKey
/**
* Return a new RDD containing the distinct elements in this RDD.
*/
def distinct(numPartitions: Int)(implicit ord: Ordering[T] = null): RDD[T] = withScope {
map(x => (x, null)).reduceByKey((x, y) => x, numPartitions).map(_._1)
}
12 、coalesce(numPartitions)
作用: 缩减分区数
到指定的数量,用于大数据集过滤后,提高小数据集的执行效率。
scala> val rdd1 = sc.parallelize(0 to 100, 5)
scala> rdd1.partitions.length
res3: Int = 5
// 减少分区的数量至 2
scala>val rdd2= rdd1.coalesce(2)
scala> rdd2.partitions.length
res4: Int = 2
注意:
第二个参数表示是否shuffle,
**如果不传或者传入的为false,** 则表示不进行shuffer
, 此时分区数减少有效, 增加分区数无效.
13、repartition(numPartitions)
作用: 根据新的分区数, 重新 shuffle 所有的数据, 这个操作总会通过网络(跨分区操作).
新的分区数相比以前可以多, 也可以少,一般用于增加分区,语义清晰
scala> val rdd1 = sc.parallelize(0 to 100, 5)
scala> val rdd2 = rdd1.repartition(3)
scala> res2.partitions.length
res4: Int = 3
scala> val rdd3 = rdd1.repartition(10)
scala> rdd3.partitions.length
res5: Int = 10
coalasce和repartition的区别
(1) coalesce重新分区,可以选择是否进行shuffle过程。由参数shuffle: Boolean = false/true决定。
(2)repartition实际上是调用的的coalesce
,进行shuffle
def repartition(numPartitions: Int)(implicit ord: Ordering[T] = null): RDD[T] = withScope {
coalesce(numPartitions, shuffle = true)
}
(3)如果是减少分区, 尽量避免shuffle
14、sortBy(func,[ascending],[numTasks])
作用: 使用func先对数据进行处理,按照处理后结果排序,默认为正序。
scala> val rdd1 = sc.parallelize(Array(1,3,4,10,4,6,9,20,30,16))
scala> rdd1.sortBy(x => x).collect
res17: Array[Int] = Array(1, 3, 4, 4, 6, 9, 10, 16, 20, 30)
scala> rdd1.sortBy(x => x, true).collect
res18: Array[Int] = Array(1, 3, 4, 4, 6, 9, 10, 16, 20, 30)
// 不用正序
scala> rdd1.sortBy(x => x, false).collect
res19: Array[Int] = Array(30, 20, 16, 10, 9, 6, 4, 4, 3, 1)
15、pipe(command,[envVars])
作用: 管道,针对每个分区
,把 RDD 中的每个数据通过管道传递给shell命令或脚本,返回输出的RDD。
一个分区执行一次这个命令
. 如果只有一个分区, 则执行一次命令
.
注意:
脚本要放在 worker 节点可以访问到的位置
(1)创建一个脚本文件pipe.sh
echo "hello"
while read line;do
echo ">>>"$line
done
(2)创建只有 1 个分区的RDD
scala> val rdd1 = sc.parallelize(Array(10,20,30,40), 1)
scala> rdd1.pipe("./pipe.sh").collect
res1: Array[String] = Array(hello, >>>10, >>>20, >>>30, >>>40)
(3)创建有 2 个分区的 RDD
scala> val rdd1 = sc.parallelize(Array(10,20,30,40), 2)
scala> rdd1.pipe("./pipe.sh").collect
res2: Array[String] = Array(hello, >>>10, >>>20, hello, >>>30, >>>40)
每个分区执行一次脚本, 但是每个元素算是标准输入中的一行
Spark-Core RDD转换算子-Value型的更多相关文章
- Spark-Core RDD转换算子-kv型
大多数的 Spark 操作可以用在任意类型的 RDD 上, 但是有一些比较特殊的操作只能用在key-value类型的 RDD 上. 这些特殊操作大多都涉及到 shuffle 操作, 比如: 按照 ke ...
- 【Spark篇】---Spark中Transformations转换算子
一.前述 Spark中默认有两大类算子,Transformation(转换算子),懒执行.action算子,立即执行,有一个action算子 ,就有一个job. 通俗些来说由RDD变成RDD就是Tra ...
- Spark之 RDD转换成DataFrame的Scala实现
依赖 <dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-sql_2. ...
- Spark-Core RDD转换算子-双Value型交互
1.union(otherDataSet) 作用:求并集. 对源 RDD 和参数 RDD 求并集后返回一个新的 RDD scala> val rdd1 = sc.parallelize(1 to ...
- Spark中RDD转换成DataFrame的两种方式(分别用Java和Scala实现)
一:准备数据源 在项目下新建一个student.txt文件,里面的内容为: ,zhangsan, ,lisi, ,wanger, ,fangliu, 二:实现 Java版: 1.首先新建一个s ...
- Spark Core知识点复习-1
Day1111 Spark任务调度 Spark几个重要组件 Spark Core RDD的概念和特性 生成RDD的两种类型 RDD算子的两种类型 算子练习 分区 RDD的依赖关系 DAG:有向无环图 ...
- Spark 3.x Spark Core详解 & 性能优化
Spark Core 1. 概述 Spark 是一种基于内存的快速.通用.可扩展的大数据分析计算引擎 1.1 Hadoop vs Spark 上面流程对应Hadoop的处理流程,下面对应着Spark的 ...
- 大数据技术之_27_电商平台数据分析项目_02_预备知识 + Scala + Spark Core + Spark SQL + Spark Streaming + Java 对象池
第0章 预备知识0.1 Scala0.1.1 Scala 操作符0.1.2 拉链操作0.2 Spark Core0.2.1 Spark RDD 持久化0.2.2 Spark 共享变量0.3 Spark ...
- 【Spark】RDD操作具体解释2——值型Transformation算子
处理数据类型为Value型的Transformation算子能够依据RDD变换算子的输入分区与输出分区关系分为下面几种类型: 1)输入分区与输出分区一对一型 2)输入分区与输出分区多对一型 3)输入分 ...
随机推荐
- java File获取字节流
/*文件64位编码*/ public static void main(String[] args) { byte[] fileByte = toByteArray(newFile); String ...
- SpringBoot框架(4)-- 类装配及Bean装配监听器
1.普通方式装配类对象 (1)添加带有@Bean注解的方法 User.java(带@Component注解) package com.demo.boot.bootenable.beanDemo1 ...
- SQL插入字段
//SQL插入字段 String dropTable="drop table if exists test;"; String columnGid ="alter tab ...
- appium环境666
一.安装JDK,配置JDK环境 appium下载地址: https://github.com/appium/appium-desktop/releases/ 百度搜索下载就行,这里分享一个下载链 ...
- 多线程之同时更改数据问题--启用lock
using System; using System.Collections.Generic; using System.Linq; using System.Text; using System.T ...
- PHP培训教程 PHP里10个鲜为人知但却非常有用的函数
php里有非常丰富的内置函数,很多我们都用过,但仍有很多的函数我们大部分人都不熟悉,可它们却十分的有用.这篇文章里,兄弟连小编列举了一些鲜为人知但会让你眼睛一亮的PHP函数. levenshtein( ...
- Java——对象转型
[对象转型]
- k8s上的基础概念和术语
kubernetes基本概念和术语 kubeernetes中的大部分概念如Node,Pod,Replication Controller ,Serverce等都可以看作一种“资源对象”,几乎所有的 ...
- xml json mongo
w wuser@ubuntu:~/apiamzpy$ sudo pip install xmljson
- 在阿里云centOS7上部署Redis 5.0.5主从 + 哨兵模式
一.在两台服务器上分别安装.配置Redis 5.0.5 ,为一主一从 安装Redis关键命令: 将安装包上传至:/home 目录下解 压:.tar.gz 安装依赖:yum install gcc 安装 ...