文章目录

一、RDD转换算子

0.说明

前12个算子为Value类型的操作，13到16为的为双Value类型的操作，后面的为Key-Value类型的操作。

1.map

  • 函数签名
    def map[U: ClassTag](f: T => U): RDD[U]
  • 函数说明
    将处理的数据逐条进行映射转换，这里的转换可以是类型的转换，也可以是值的转换。
val dataRDD: RDD[Int] = sparkContext.makeRDD(List(1,2,3,4))
// 返回每个数字的两倍
val dataRDD1: RDD[Int] = dataRDD.map(
	num => {
		num * 2
	}
)
// 转换成字符串
val dataRDD2: RDD[String] = dataRDD1.map(
	num => {
		"" + num
	} 
)

2.mapPartitions

  • 函数签名
    def mapPartitions[U: ClassTag](
    f: Iterator[T] => Iterator[U],
    preservesPartitioning: Boolean = false): RDD[U]
  • 函数说明
    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。
val dataRDD1: RDD[Int] = dataRDD.mapPartitions(
	datas => {
		datas.filter(_==2)
	} 
)
  • 与map函数区别
    • 数据处理角度
      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。但是 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。

3.mapPartitionsWithIndex

  • 函数签名
    def mapPartitionsWithIndex[U: ClassTag](
    f: (Int, Iterator[T]) => Iterator[U],
    preservesPartitioning: Boolean = false): RDD[U]
  • 函数说明
    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。
val dataRDD1 = dataRDD.mapPartitionsWithIndex( 
	(index, datas) => {
		datas.map(index, _)
	} 
)

4.flatMap

  • 函数签名
    def flatMap[U: ClassTag](f: T => TraversableOnce[U]): RDD[U]
  • 函数说明
    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，flatmap函数内部需要返回一个TraversableOnce对象（可被遍历）。
val dataRDD = sparkContext.makeRDD(List(
	List(1,2),List(3,4)
),1)
// 变为【1，2，3，4】
val dataRDD1 = dataRDD.flatMap(
	list => list
)
  • 小案例
    将 List(List(1,2),3,List(4,5))进行扁平化操作。
val rdd: RDD[Any] = sc.makeRDD(
    List(
        List(1, 2), 3, List(4, 5)
    )
)
val flatRdd: RDD[Any] = rdd.flatMap {
    case list: List[_] => list
    case data => List(data)
}

5.glom

  • 函数签名
    def glom(): RDD[Array[T]]
  • 函数说明
    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。
val dataRDD = sparkContext.makeRDD(List(
	1,2,3,4
),1)
val dataRDD1:RDD[Array[Int]] = dataRDD.glom()

6.groupBy

  • 函数签名
    def groupBy[K](f: T => K)(implicit kt: ClassTag[K]): RDD[(K, Iterable[T])]
  • 函数说明
    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
val dataRDD = sparkContext.makeRDD(List(1,2,3,4),1)
val dataRDD1 = dataRDD.groupBy(		//根据groupBy里所传函数返回值的不同，把数据分组
	_%2
)

7.filter

  • 函数签名
    def filter(f: T => Boolean): RDD[T]
  • 函数说明
    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。
val dataRDD = sparkContext.makeRDD(List(
	1,2,3,4
),1)
val dataRDD1 = dataRDD.filter(_%2 == 0)		//获取偶数

8.sample-抽取数据

  • 函数签名
    def sample(
     withReplacement: Boolean,
     fraction: Double,
     seed: Long = Utils.random.nextLong): RDD[T]
  • 函数说明
    根据指定的规则从数据集中抽取数据
    • 第一个参数withReplacement：抽取的数据是否放回，true：放回（泊松算法）；false：不放回（伯努利算法）
    • 第二个参数fraction：抽取不放回：抽取数据的几率，范围在[0,1]之间,0：全不取；1：全取；
               抽取放回：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seed：随机数种子，此参数默认使用当前系统时间，如果固定每次获取的数据是一样的
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)

9.distinct-去重

  • 函数签名
    def distinct()(implicit ord: Ordering[T] = null): RDD[T]
    def distinct(numPartitions: Int)(implicit ord: Ordering[T] = null): RDD[T]
  • 函数说明
    将数据集中重复的数据去重
val dataRDD = sparkContext.makeRDD(List(
	1,2,3,4,1,2
),1)
val dataRDD1 = dataRDD.distinct()
val dataRDD2 = dataRDD.distinct(2)

10.coalesce-缩减扩大分区

  • 函数签名
    def coalesce(numPartitions: Int, shuffle: Boolean = false,
     partitionCoalescer: Option[PartitionCoalescer] = Option.empty)
     (implicit ord: Ordering[T] = null)
    : RDD[T]
  • 函数说明
    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。
    在默认情况下coalesce不会打乱数据重新组合，即原来在一个分区的数据在缩减分区整合后依然在一个分区，比如有【1，2】【3，4】【5，6】三个分区，在整合为两个分区后会成为【1，2】【3，4，5，6】。这样如果数据量差别大的话就有可能导致数据倾斜。如果想让数据均衡可以传如第二个参数shuffle=true。
    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。
val dataRDD = sparkContext.makeRDD(List(
	1,2,3,4,1,2
),3)	//指定3个分区
val dataRDD1 = dataRDD.coalesce(2)	//原先3个分区缩减为2个分区
val dataRDD2 = dataRDD.coalesce(2，true)	//原先3个分区缩减为2个分区，数据打乱重组均衡分配
  • 注意
    另外coalesce是可以扩大分区的，但是需要传递第二个参数shuffle=true，否则是没有意义的。
    spark还有扩大分区的算子repartition，其底层实际就是使用了coalesce算子。

11. repartition-缩减扩大分区

  • 函数签名
    def repartition(numPartitions: Int)(implicit ord: Ordering[T] = null): RDD[T]
  • 函数说明
    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。
val dataRDD = sparkContext.makeRDD(List(
	1,2,3,4,1,2
),2)
val dataRDD1 = dataRDD.repartition(4)

12.sortBy

  • 函数签名
    def sortBy[K](
     f: (T) => K,
     ascending: Boolean = true,
     numPartitions: Int = this.partitions.length)
    (implicit ord: Ordering[K], ctag: ClassTag[K]): RDD[T]
  • 函数说明
    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，如果想要降序可以传递第二个参数为false。默认情况下排序后新产生的 RDD 的分区数与原 RDD 的分区数一致。中间存在 shuffle 的过程。
val dataRDD = sparkContext.makeRDD(List(
	1,2,3,4,1,2
),2)
val dataRDD1 = dataRDD.sortBy(num=>num, false)	//根据值本身进行降序排序

val rdd: RDD[(Int, String)] = sc.makeRDD(List(
	(3, "hadoop"), (1, "spark"), (2, "flink")
))
val sordRdd: RDD[(Int, String)] = rdd.sortBy(t => t._1)		//根据元组第一个元素升序排序

13.intersection-交集

  • 函数签名
    def intersection(other: RDD[T]): RDD[T]
  • 函数说明
    对源 RDD 和参数 RDD 求交集后返回一个新的 RDD，要求两个RDD内的数据类型保持一致。
val dataRDD1 = sparkContext.makeRDD(List(1,2,3,4))
val dataRDD2 = sparkContext.makeRDD(List(3,4,5,6))
val dataRDD = dataRDD1.intersection(dataRDD2)		// 结果为【3，4】

14.union-并集

  • 函数签名
    def union(other: RDD[T]): RDD[T]
  • 函数说明
    对源 RDD 和参数 RDD 求并集后返回一个新的 RDD，要求两个RDD内的数据类型保持一致。
val dataRDD1 = sparkContext.makeRDD(List(1,2,3,4))
val dataRDD2 = sparkContext.makeRDD(List(3,4,5,6))
val dataRDD = dataRDD1.union(dataRDD2)			// 结果为【1，2，3，4，5，6】

15.subtract-差集

  • 函数签名
    def subtract(other: RDD[T]): RDD[T]
  • 函数说明
    以一个 RDD 元素为主，去除两个 RDD 中重复元素，将其他元素保留下来。求差集，即属于第一个RDD但不属于第二个RDD的元素，要求两个RDD内的数据类型保持一致。
val dataRDD1 = sparkContext.makeRDD(List(1,2,3,4))
val dataRDD2 = sparkContext.makeRDD(List(3,4,5,6))
val dataRDD = dataRDD1.subtract(dataRDD2)			// 结果为【1，2】

16.zip-拉链

  • 函数签名
    def zip[U: ClassTag](other: RDD[U]): RDD[(T, U)]
  • 函数说明
    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。
    要求两个数据源的分区数量保持一致，并且每个分区中的数据数量一致，否则会报错，要区别于Scala语言自身的zip方法。
val dataRDD1 = sparkContext.makeRDD(List(1,2,3,4))
val dataRDD2 = sparkContext.makeRDD(List(3,4,5,6))
val dataRDD = dataRDD1.zip(dataRDD2)			// 结果为【（1，3），（2，4），（3，5），（4，6）】

17.partitionBy-分区

  • 函数签名
    def partitionBy(partitioner: Partitioner): RDD[(K, V)]
  • 函数说明
    将数据按照指定 Partitioner 重新进行分区。Spark 默认的分区器是 HashPartitioner，还有RangePartitioner、PythonPartitioner，也可以参考已有分区器自己写分区器。
val rdd: RDD[(Int, String)] =
	sc.makeRDD(Array((1,"aaa"),(2,"bbb"),(3,"ccc")),3)
import org.apache.spark.HashPartitioner
val rdd2: RDD[(Int, String)] =
	rdd.partitionBy(new HashPartitioner(2))

18.reduceByKey

  • 函数签名
    def reduceByKey(func: (V, V) => V): RDD[(K, V)]
    def reduceByKey(func: (V, V) => V, numPartitions: Int): RDD[(K, V)]
  • 函数说明
    可以将数据按照相同的 Key 对 Value 进行聚合，聚合后可以对Value进行相关的运算。
val rdd: RDD[(String, Int)] = sc.makeRDD(List(
    ("a", 1), ("a", 2), ("a", 3), ("b", 4)
))
val reduceRdd: RDD[(String, Int)] = rdd.reduceByKey((x: Int, y: Int) => {
    x + y
})      //【(a,6) (b,4)】

19.groupByKey

  • 函数签名
    def groupByKey(): RDD[(K, Iterable[V])]
    def groupByKey(numPartitions: Int): RDD[(K, Iterable[V])]
    def groupByKey(partitioner: Partitioner): RDD[(K, Iterable[V])]
  • 函数说明
    将数据源的数据根据 key 对 value 进行分组，将相同key的数据放在一个组中，形成一个对偶元组。该对偶元组中的第一个元素就是key，第二个元素是该key对应的value形成的集合。
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))

val rdd: RDD[(String, Int)] = sc.makeRDD(List(
	("a", 1), ("a", 2), ("a", 3), ("b", 4)
))
val groupRdd: RDD[(String, Iterable[Int])] = rdd.groupByKey()
groupRdd.collect().foreach(println)         // 【(a,CompactBuffer(1, 2, 3))，(b,CompactBuffer(4))】
  • 与groupBy的区别
    groupBy需要传入分组依据的函数，并且每个key分完组的元组的第二个元素是包含key和value的完整元组。
  • reduceByKey
    • 从 shuffle 的角度
      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（不再内存中，否则可能会导致内存溢出）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。
    • 从功能的角度
      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。

20.aggregateByKey

  • 函数签名
    def aggregateByKey[U: ClassTag](zeroValue: U)(seqOp: (U, V) => U,combOp: (U, U) => U): RDD[(K, U)]
  • 函数说明
    将数据根据不同的规则进行分区内计算和分区间计算。
val dataRDD1 =sparkContext.makeRDD(List(("a",1),("b",2),("c",3)))
val dataRDD2 =dataRDD1.aggregateByKey(0)(_+_,_+_)
  • 小案例
    取出每个分区内相同 key 的最大值然后分区间相加。
val rdd: RDD[(String, Int)] = sc.makeRDD(List(
	("a", 1), ("a", 2), ("a", 3), ("a", 4)
),2)

// aggregateByKey 算子是函数柯里化，存在两个参数列表
// 1. 第一个参数列表中的参数表示初始值，主要用于当碰见第一个元素的时候，和value进行分区内计算
// 2. 第二个参数列表中含有两个参数
// 2.1 第一个参数表示分区内的计算规则
// 2.2 第二个参数表示分区间的计算规则
rdd.aggregateByKey(0)(		//初始值为0
    (x,y) => math.max(x,y),		//分区内取最大值
    (x,y) => x+y				//分区间相加
).collect().foreach(println)        //【(a,6)】

求相同key下值的平均值

val rdd: RDD[(String, Int)] = sc.makeRDD(List(
    ("a", 1), ("a", 2), ("b", 3),
    ("b", 4), ("b", 5), ("a", 6)
),2)

// aggregateByKey最后返回的类型和初始值的类型相同
// 求相同key下值的平均值，初试值给一个tuple，第一个值代表相同key的和，第二个值代表相同key出现的次数
val aggRdd: RDD[(String, (Int, Int))] = rdd.aggregateByKey((0, 0))(
    (t, v) => (t._1 + v, t._2 + 1),             // t代表的是上次计算产生的tuple（最开始为初试值(0,0)）,v代表的是key对应的value
    (t1, t2) => (t1._1 + t2._1, t1._2 + t2._2)  // 分区间的计算是分区内产生的两个tuple做加和操作
)
// val resultRdd: RDD[(String, Int)] = aggRdd.mapValues(t => t._1 / t._2)      // 【(a,3),(b,4)】
val resultRdd: RDD[(String, Int)] = aggRdd.mapValues {
    case (num, cnt) => {
        num / cnt
    }
}               // 【(a,3),(b,4)】

21.foldByKey

  • 函数签名
    def foldByKey(zeroValue: V)(func: (V, V) => V): RDD[(K, V)]
  • 函数说明
    当对数据聚合操作时，如果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 dataRDD1 = sparkContext.makeRDD(List(("a",1),("b",2),("c",3)),2)
val dataRDD2 = dataRDD1.foldByKey(0)(_+_)		//分区内和分区间都是对相同的key求和，也就是wordcount功能。

22.combineByKey

  • 函数签名
    def combineByKey[C](
    createCombiner: V => C,
    mergeValue: (C, V) => C,
    mergeCombiners: (C, C) => C): RDD[(K, C)]
  • 函数说明
    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()，但是此算子不需要初始值，但要多传一个参数对第一个元素进行操作，相当于对第一个元素进行格式转换之后进行aggregate运算。combineByKey()允许用户返回值的类型与输入不一致。
  • 小案例
    求相同key下值的平均值
val rdd: RDD[(String, Int)] = sc.makeRDD(List(
    ("a", 1), ("a", 2), ("b", 3),
    ("b", 4), ("b", 5), ("a", 6)
),2)

// 求相同key下值的平均值，转换后的第一个元素的第一个值代表相同key的和，第二个值代表相同key出现的次数
val aggRdd: RDD[(String, (Int, Int))] = rdd.combineByKey(
    v => (v,1),                                             //将第一个参数转换成tuple
    (t:(Int,Int), v) => (t._1 + v, t._2 + 1),             // 由于t是中间运算产生的（第一个参数转换得到），一般指定类型
    (t1:(Int,Int), t2:(Int,Int)) => (t1._1 + t2._1, t1._2 + t2._2)
)

val resultRdd: RDD[(String, Int)] = aggRdd.mapValues {
    case (num, cnt) => {
        num / cnt
    }
}               // 【(a,3),(b,4)】
  • 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。

23.sortByKey

  • 函数签名
    def sortByKey(ascending: Boolean = true, numPartitions: Int = self.partitions.length): RDD[(K, V)]
  • 函数说明
    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 进行排序的结果。
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)

24.join

  • 函数签名
    def join[W](other: RDD[(K, W)]): RDD[(K, (V, W))]
  • 函数说明
    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。
    如果两个数据源的key没有匹配上，那么该key对应的数据不会出现在结果中。
    如果两个数据源中的key有多个相同的，会依次匹配，可能会出现笛卡尔积的效果，数据会几何增长。
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)))
val resultRdd: RDD[(Int, (String, Int))] = rdd.join(rdd1)		//【(1,(a,4))，(2,(b,5))，(3,(c,6))】

25.leftOuterJoin和rightOuterJoin

  • 函数签名
    def leftOuterJoin[W](other: RDD[(K, W)]): RDD[(K, (V, Option[W]))]
    rightOuterJoin类似
  • 函数说明
    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)

26.cogroup

  • 函数签名
    def cogroup[W](other: RDD[(K, W)]): RDD[(K, (Iterable[V], Iterable[W]))]
  • 函数说明
    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。
    cogroup = connect + group（分组加连接），在分区内分组整合，分区间连接。
 val rdd: RDD[(String, Int)] = sc.makeRDD(List(
    ("a", 1), ("a", 2), ("b", 3)
),2)
val rdd2: RDD[(String, Int)] = sc.makeRDD(List(
    ("a", 4), ("b", 5), ("c", 6)
),2)  
// 【(b,(CompactBuffer(3),CompactBuffer(5)))，(a,(CompactBuffer(1, 2),CompactBuffer(4)))，(c,(CompactBuffer(),CompactBuffer(6)))】
val newRdd: RDD[(String, (Iterable[Int], Iterable[Int]))] = rdd.cogroup(rdd2)

27.案例实操

有一份数据包括时间戳、省份、城市、用户、广告，中间用空格隔开，要求统计出每一个省份每个广告被点击数量排行的Top3。

// 数据：时间戳、省份、城市、用户、广告
// 需求：统计出每一个省份每个广告被点击数量排行的Top3

//1.获取数据
val rdd: RDD[String] = sc.textFile("datas/agent.log")
//2.转化数据格式
val mapRdd: RDD[((String, String), Int)] = rdd.map(
    line => {
        val datas: Array[String] = line.split(" ")
        ((datas(1), datas(4)), 1)
    }
)
//3.数据聚合
val reduceRdd: RDD[((String, String), Int)] = mapRdd.reduceByKey(_ + _)
// 4.转换格式
val newRdd: RDD[(String, (String, Int))] = reduceRdd.map {
    case ((pre, ad), num) => {
        (pre, (ad, num))
    }
}
//5.按照省份分组
val groupRdd: RDD[(String, Iterable[(String, Int)])] = newRdd.groupByKey()
//6.组内排序
val resultRdd: RDD[(String, List[(String, Int)])] = groupRdd.mapValues(
    iter => {
        iter.toList.sortBy(_._2)(Ordering.Int.reverse).take(3)
    }
)
//7.采集数据，打印结果
resultRdd.collect().foreach(println)

二、RDD行动算子

1.reduce

  • 函数签名
    def reduce(f: (T, T) => T): T
  • 函数说明
    聚集 RDD 中的所有元素，先聚合分区内数据，再聚合分区间数据
val rdd: RDD[Int] = sc.makeRDD(List(1,2,3,4))
// 聚合数据
val reduceResult: Int = rdd.reduce(_+_)

2.collect

  • 函数签名
    def collect(): Array[T]
  • 函数说明
    在驱动程序中，以数组 Array 的形式返回数据集的所有元素
val rdd: RDD[Int] = sc.makeRDD(List(1,2,3,4))
// 收集数据到 Driver
rdd.collect().foreach(println)

3.count

  • 函数签名
    def count(): Long
  • 函数说明
    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()

4.first

  • 函数签名
    def first(): T
  • 函数说明
    返回 RDD 中的第一个元素
val rdd: RDD[Int] = sc.makeRDD(List(1,2,3,4))
// 返回 RDD 中元素的第一个元素
val firstResult: Int = rdd.first()
println(firstResult)

5.take

  • 函数签名
    def take(num: Int): Array[T]
  • 函数说明
    返回一个由 RDD 的前 n 个元素组成的数组
vval rdd: RDD[Int] = sc.makeRDD(List(1,2,3,4))
// 返回 RDD 中前两个元素的数组
val takeResult: Array[Int] = rdd.take(2)
println(takeResult.mkString(","))

6.takeOrdered

  • 函数签名
    def takeOrdered(num: Int)(implicit ord: Ordering[T]): Array[T]
  • 函数说明
    返回该 RDD 排序后的前 n 个元素组成的数组
val rdd: RDD[Int] = sc.makeRDD(List(1,3,2,4))
// 返回 RDD 中排序后的前2个元素
val result: Array[Int] = rdd.takeOrdered(2)

7.aggregate

  • 函数签名
    def aggregate[U: ClassTag](zeroValue: U)(seqOp: (U, T) => U, combOp: (U, U) => U): U
  • 函数说明
    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。
    与aggregateByKey的不同之处在于初始值不仅会参与分区内的计算，也会参与分区间的计算。
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)(_ + _, _ + _)	//10
val result: Int = rdd.aggregate(10)(_ + _, _ + _)	//40

8.fold

  • 函数签名
    def fold(zeroValue: T)(op: (T, T) => T): T
  • 函数说明
    折叠操作，aggregate 的简化版操作
val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4))
val foldResult: Int = rdd.fold(0)(_+_)

9.countByKey

  • 函数签名
    def countByKey(): Map[K, Long]
  • 函数说明
    统计每种 key 的个数
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()

10.save 相关算子

  • 函数签名
    def saveAsTextFile(path: String): Unit
    def saveAsObjectFile(path: String): Unit
    def saveAsSequenceFile(
     path: String,
     codec: Option[Class[_ <: CompressionCodec]] = None): Unit
  • 函数说明
    将数据保存到不同格式的文件中
// 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，数据必须为Key-Value类型
rdd.map((_,1)).saveAsSequenceFile("output2")

11.foreach

  • 函数签名
    def foreach(f: T => Unit): Unit = withScope {
     val cleanF = sc.clean(f)
     sc.runJob(this, (iter: Iterator[T]) => iter.foreach(cleanF))
    }
  • 函数说明
    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)
# spark # scala
Logo
腾讯云开发者社区

腾讯云面向开发者汇聚海量精品云计算使用和开发经验，营造开放的云计算技术生态圈。

更多推荐

cover

动物识别系统 python实现+UI

avatar 腾讯云开发者社区

Linux下安装MySQL8.0(超详细)

Linux下安装MySQL8.0(超详细)

avatar 腾讯云开发者社区
cover

光模块问题查看并保证光模块收发功率

avatar 腾讯云开发者社区