spark中RDD的转化操作和行动操作

本文主要是讲解spark里RDD的基础操作。RDD是spark特有的数据模型，谈到RDD就会提到什么弹性分布式数据集，什么有向无环图，本文暂时不去展开这些高深概念，在阅读本文时候，大家可以就把RDD当作一个数组，这样的理解对我们学习RDD的API是非常有帮助的。本文所有示例代码都是使用scala语言编写的。

　　Spark里的计算都是操作RDD进行，那么学习RDD的第一个问题就是如何构建RDD，构建RDD从数据来源角度分为两类：第一类是从内存里直接读取数据，第二类就是从文件系统里读取，当然这里的文件系统种类很多常见的就是HDFS以及本地文件系统了。

　　第一类方式从内存里构造RDD，使用的方法：makeRDD和parallelize方法，如下代码所示：

/* 使用makeRDD创建RDD */

/* List */

val rdd01 = sc.makeRDD(List(1,2,3,4,5,6))

val r01 = rdd01.map { x => x * x }

println(r01.collect().mkString(","))

/* Array */

val rdd02 = sc.makeRDD(Array(1,2,3,4,5,6))

val r02 = rdd02.filter { x => x < 5}

println(r02.collect().mkString(","))

 

val rdd03 = sc.parallelize(List(1,2,3,4,5,6), 1)

val r03 = rdd03.map { x => x + 1 }

println(r03.collect().mkString(","))

/* Array */

val rdd04 = sc.parallelize(List(1,2,3,4,5,6), 1)

val r04 = rdd04.filter { x => x > 3 }

println(r04.collect().mkString(","))

大家看到了RDD本质就是一个数组，因此构造数据时候使用的是List（链表）和Array（数组）类型。

　　第二类方式是通过文件系统构造RDD，代码如下所示：

val rdd:RDD[String] = sc.textFile("file:///D:/sparkdata.txt", 1)

val r:RDD[String] = rdd.flatMap { x => x.split(",") }

println(r.collect().mkString(","))

这里例子使用的是本地文件系统，所以文件路径协议前缀是file://。

　　构造了RDD对象了，接下来就是如何操作RDD对象了，RDD的操作分为转化操作（transformation）和行动操作（action），RDD之所以将操作分成这两类这是和RDD惰性运算有关，当RDD执行转化操作时候，实际计算并没有被执行，只有当RDD执行行动操作时候才会促发计算任务提交，执行相应的计算操作。区别转化操作和行动操作也非常简单，转化操作就是从一个RDD产生一个新的RDD操作，而行动操作就是进行实际的计算。

　

　下面是RDD的基础操作API介绍：

常见的转化操作

示例数据{1，2，3，3}

• map

目的：将函数应用于RDD中的每个元素, 将返回值构成新的RDD
示例：rdd.map(x=>x+1)
结果：{2,3,4,4}

• flatMap

目的：将函数应用于RDD中的每个元素, 将返回的迭代器的所有内容构成新的RDD。通常用来切分单词
示例：rdd.flatMap(x => x.to(3))
结果：{1,2,3,2,3,3}

函数名	目的	示例	结果	备注
map()	将函数应用于RDD中的每个元素, 将返回值构成新的RDD	rdd.map(x=>x+1)	{2,3,4,4}
flatMap()	将函数应用于RDD中的每个元素, 将返回的迭代器的所有内容构成新的RDD。通常用来切分单词	rdd.flatMap(x => x.to(3))	{1,2,3,2,3,3}
filter()	返回一个由通过传给filter()的函数的元素组成的RDD	rdd.filter(x => x!=1)	{2,3,3}
distinct()	去重	rdd.distinct()	{1,2,3}	开销很大，因为需要将所有数据通过网络进行混洗
sample(withReplacement, fraction, [seed])	对RDD采样，以及是否替换	rdd.sample(false, 0.5)	非确定

示例数据{1,2,3}{3,4,5}

函数名	目的	示例	结果	备注
union()	生成一个包含两个RDD中所有元素的RDD	rdd.union(other)	{1,2,3,3,4,5}
intersection()	求两个RDD共同元素的RDD	rdd.intersection(other)	{3}	性能差，需要网络混洗数据来发现共同元素
subtract()	移除一个RDD中的内容	rdd.subtract(other)	{1,2}	需要数据混洗
cartesian()	与另一个RDD的笛卡尔积	rdd.cartesian(other)	{{1,3},{1,4},...,{3,5}}	求大规模RDD开销巨大

常见的行为操作

示例数据{1,2,3,3}

函数名	目的	示例	结果	备注
collect()	返回RDD中的所有元素	rdd.collect()	{1,2,3,3}
count()	RDD中的元素个数	rdd.count()	4
countByValue()	各元素在RDD中出现的次数	rdd.countByValue()	{(1,1),(2,1),(3,2)}
take(num)	从RDD中返回num个元素	rdd.take(2)	{1,2}
top(num)	从RDD中返回最前面的num个元素	rdd.top(2)	{3,3}
takeOrdered(num)(ordering)	从RDD中按照提供的顺序返回最前面的num个元素	rdd.takeOrdered(2)(myOrdering)	(3,3)
takeSample(withReplacement, num, [seed])	从RDD中返回任意一些元素	rdd.takeSample(false, 1)
reduce(func)	并行整合RDD中所有数据(例如sum)	rdd.reduce((x,y)=>x+y)	9
fold(zero)(func)	和reduce一样，但需要提供初始值	rdd.fold(0)((x,y)=>x+y)	9
aggregate(zeroValue)(seqOp, combOp)	和reduce相似，但通常不返回同类型的函数	rdd.aggregate(0,0)((x,y)=>(x._1+y,x._2+1),(x,y)=>(x._1+y._1,x._2+y._2))	{9,4}
foreach(func)	对RDD中的每个元素使用给定的函数	rdd.foreach(func)

持久化

val result = input.map(x => x * x) 
result.persist(StorageLevel.DISK_ ONLY) 
println(result.count()) 
println(result.collect().mkString(","))

级别	使用的空间	CPU时间	是否在内存中	是否在硬盘中	备注
MEMORY_ONLY	高	低	是	否
MEMORY_ONLY_SER	低	高	是	否
MEMORY_AND_DISK	高	中等	部分	部分	如果数据在内存中放不下， 则溢写到磁盘上
MEMORY_AND_DISK_SER	低	高	部分	部分	如果数据在内存中放不下， 则溢写到磁盘上。在内存中存放序列化后的数据
DISK_ONLY	低	高	否	是

　　下面是以上API操作的示例代码，如下：

　　转化操作：

val rddInt:RDD[Int] = sc.makeRDD(List(1,2,3,4,5,6,2,5,1))

val rddStr:RDD[String] = sc.parallelize(Array("a","b","c","d","b","a"), 1)

val rddFile:RDD[String] = sc.textFile(path, 1)

 

val rdd01:RDD[Int] = sc.makeRDD(List(1,3,5,3))

val rdd02:RDD[Int] = sc.makeRDD(List(2,4,5,1))

 

/* map操作 */

println("======map操作======")

println(rddInt.map(x => x + 1).collect().mkString(","))

println("======map操作======")

/* filter操作 */

println("======filter操作======")

println(rddInt.filter(x => x > 4).collect().mkString(","))

println("======filter操作======")

/* flatMap操作 */

println("======flatMap操作======")

println(rddFile.flatMap { x => x.split(",") }.first())

println("======flatMap操作======")

/* distinct去重操作 */

println("======distinct去重======")

println(rddInt.distinct().collect().mkString(","))

println(rddStr.distinct().collect().mkString(","))

println("======distinct去重======")

/* union操作 */

println("======union操作======")

println(rdd01.union(rdd02).collect().mkString(","))

println("======union操作======")

/* intersection操作 */

println("======intersection操作======")

println(rdd01.intersection(rdd02).collect().mkString(","))

println("======intersection操作======")

/* subtract操作 */

println("======subtract操作======")

println(rdd01.subtract(rdd02).collect().mkString(","))

println("======subtract操作======")

/* cartesian操作 */

println("======cartesian操作======")

println(rdd01.cartesian(rdd02).collect().mkString(","))

println("======cartesian操作======")

行动操作代码如下：

val rddInt:RDD[Int] = sc.makeRDD(List(1,2,3,4,5,6,2,5,1))

val rddStr:RDD[String] = sc.parallelize(Array("a","b","c","d","b","a"), 1)

 

/* count操作 */

println("======count操作======")

println(rddInt.count())

println("======count操作======")  

/* countByValue操作 */

println("======countByValue操作======")

println(rddInt.countByValue())

println("======countByValue操作======")

/* reduce操作 */

println("======countByValue操作======")

println(rddInt.reduce((x ,y) => x + y))

println("======countByValue操作======")

/* fold操作 */

println("======fold操作======")

println(rddInt.fold(0)((x ,y) => x + y))

println("======fold操作======")

/* aggregate操作 */

println("======aggregate操作======")

val res:(Int,Int) = rddInt.aggregate((0,0))((x,y) => (x._1 + x._2,y),(x,y) => (x._1 + x._2,y._1 + y._2))

println(res._1 + "," + res._2)

println("======aggregate操作======")

/* foeach操作 */

println("======foeach操作======")

println(rddStr.foreach { x => println(x) })

println("======foeach操作======")

RDD操作暂时先学习到这里，剩下的内容在下一篇里再谈了，下面我要说说如何开发spark，安装spark的内容我后面会使用专门的文章进行讲解，这里我们假设已经安装好了spark，那么我们就可以在已经装好的spark服务器上使用spark-shell进行与spark交互的shell，这里我们直接可以敲打代码编写spark程序。但是spark-shell毕竟使用太麻烦，而且spark-shell一次只能使用一个用户，当另外一个用户要使用spark-shell就会把前一个用户踢掉，而且shell也没有IDE那种代码补全，代码校验的功能，使用起来很是痛苦。

　　不过spark的确是一个神奇的框架，这里的神奇就是指spark本地开发调试非常简单，本地开发调试不需要任何已经装好的spark系统，我们只需要建立一个项目，这个项目可以是java的也可以是scala，然后我们将spark-assembly-1.6.1-hadoop2.6.0.jar这样的jar放入项目的环境里，这个时候我们就可以在本地开发调试spark程序了。

　　大家请看我们装有scala插件的eclipse里的完整代码：

package cn.com.sparktest

 

import org.apache.spark.SparkConf

import org.apache.spark.SparkConf

import org.apache.spark.SparkContext

import org.apache.spark.rdd.RDD

 

object SparkTest {

  val conf:SparkConf = new SparkConf().setAppName("xtq").setMaster("local[2]")

  val sc:SparkContext = new SparkContext(conf)

   

  /**

   * 创建数据的方式--从内存里构造数据(基础)

   */

  def createDataMethod():Unit = {

    /* 使用makeRDD创建RDD */

    /* List */

    val rdd01 = sc.makeRDD(List(1,2,3,4,5,6))

    val r01 = rdd01.map { x => x * x }

    println("===================createDataMethod:makeRDD:List=====================")

    println(r01.collect().mkString(","))

    println("===================createDataMethod:makeRDD:List=====================")

    /* Array */

    val rdd02 = sc.makeRDD(Array(1,2,3,4,5,6))

    val r02 = rdd02.filter { x => x < 5}

    println("===================createDataMethod:makeRDD:Array=====================")

    println(r02.collect().mkString(","))

    println("===================createDataMethod:makeRDD:Array=====================")

     

    /* 使用parallelize创建RDD */

    /* List */

    val rdd03 = sc.parallelize(List(1,2,3,4,5,6), 1)

    val r03 = rdd03.map { x => x + 1 }

    println("===================createDataMethod:parallelize:List=====================")

    println(r03.collect().mkString(","))

    println("===================createDataMethod:parallelize:List=====================")

    /* Array */

    val rdd04 = sc.parallelize(List(1,2,3,4,5,6), 1)

    val r04 = rdd04.filter { x => x > 3 }

    println("===================createDataMethod:parallelize:Array=====================")

    println(r04.collect().mkString(","))

    println("===================createDataMethod:parallelize:Array=====================")

  }

   

  /**

   * 创建Pair Map

   */

  def createPairRDD():Unit = {

    val rdd:RDD[(String,Int)] = sc.makeRDD(List(("key01",1),("key02",2),("key03",3)))

    val r:RDD[String] = rdd.keys

    println("===========================createPairRDD=================================")

    println(r.collect().mkString(","))

    println("===========================createPairRDD=================================")

  }

   

  /**

   * 通过文件创建RDD

   * 文件数据：

   *    key01,1,2.3

          key02,5,3.7

      key03,23,4.8

      key04,12,3.9

      key05,7,1.3

   */

  def createDataFromFile(path:String):Unit = {

    val rdd:RDD[String] = sc.textFile(path, 1)

    val r:RDD[String] = rdd.flatMap { x => x.split(",") }

    println("=========================createDataFromFile==================================")

    println(r.collect().mkString(","))

    println("=========================createDataFromFile==================================")

  }

   

  /**

   * 基本的RDD操作

   */

  def basicTransformRDD(path:String):Unit = {

    val rddInt:RDD[Int] = sc.makeRDD(List(1,2,3,4,5,6,2,5,1))

    val rddStr:RDD[String] = sc.parallelize(Array("a","b","c","d","b","a"), 1)

    val rddFile:RDD[String] = sc.textFile(path, 1)

     

    val rdd01:RDD[Int] = sc.makeRDD(List(1,3,5,3))

    val rdd02:RDD[Int] = sc.makeRDD(List(2,4,5,1))

 

    /* map操作 */

    println("======map操作======")

    println(rddInt.map(x => x + 1).collect().mkString(","))

    println("======map操作======")

    /* filter操作 */

    println("======filter操作======")

    println(rddInt.filter(x => x > 4).collect().mkString(","))

    println("======filter操作======")

    /* flatMap操作 */

    println("======flatMap操作======")

    println(rddFile.flatMap { x => x.split(",") }.first())

    println("======flatMap操作======")

    /* distinct去重操作 */

    println("======distinct去重======")

    println(rddInt.distinct().collect().mkString(","))

    println(rddStr.distinct().collect().mkString(","))

    println("======distinct去重======")

    /* union操作 */

    println("======union操作======")

    println(rdd01.union(rdd02).collect().mkString(","))

    println("======union操作======")

    /* intersection操作 */

    println("======intersection操作======")

    println(rdd01.intersection(rdd02).collect().mkString(","))

    println("======intersection操作======")

    /* subtract操作 */

    println("======subtract操作======")

    println(rdd01.subtract(rdd02).collect().mkString(","))

    println("======subtract操作======")

    /* cartesian操作 */

    println("======cartesian操作======")

    println(rdd01.cartesian(rdd02).collect().mkString(","))

    println("======cartesian操作======")   

  }

   

  /**

   * 基本的RDD行动操作

   */

  def basicActionRDD():Unit = {

    val rddInt:RDD[Int] = sc.makeRDD(List(1,2,3,4,5,6,2,5,1))

    val rddStr:RDD[String] = sc.parallelize(Array("a","b","c","d","b","a"), 1)

     

    /* count操作 */

    println("======count操作======")

    println(rddInt.count())

    println("======count操作======")  

    /* countByValue操作 */

    println("======countByValue操作======")

    println(rddInt.countByValue())

    println("======countByValue操作======")

    /* reduce操作 */

    println("======countByValue操作======")

    println(rddInt.reduce((x ,y) => x + y))

    println("======countByValue操作======")

    /* fold操作 */

    println("======fold操作======")

    println(rddInt.fold(0)((x ,y) => x + y))

    println("======fold操作======")

    /* aggregate操作 */

    println("======aggregate操作======")

    val res:(Int,Int) = rddInt.aggregate((0,0))((x,y) => (x._1 + x._2,y),(x,y) => (x._1 + x._2,y._1 + y._2))

    println(res._1 + "," + res._2)

    println("======aggregate操作======")

    /* foeach操作 */

    println("======foeach操作======")

    println(rddStr.foreach { x => println(x) })

    println("======foeach操作======")   

  }

   

  def main(args: Array[String]): Unit = {

    println(System.getenv("HADOOP_HOME"))

    createDataMethod()

    createPairRDD()

    createDataFromFile("file:///D:/sparkdata.txt")

    basicTransformRDD("file:///D:/sparkdata.txt")

    basicActionRDD()

  }

}

Spark执行时候我们需要构造一个SparkContenxt的环境变量，构造环境变量时候需要构造一个SparkConf对象，例如代码：setAppName("xtq").setMaster("local[2]")

　　appName就是spark任务名称，master为local[2]是指使用本地模式，启动2个线程完成spark任务。

　　在eclipse里运行spark程序时候，会报出如下错误：

ava.io.IOException: Could not locate executable nullinwinutils.exe in the Hadoop binaries.

    at org.apache.hadoop.util.Shell.getQualifiedBinPath(Shell.java:355)

    at org.apache.hadoop.util.Shell.getWinUtilsPath(Shell.java:370)

    at org.apache.hadoop.util.Shell.<clinit>(Shell.java:363)

    at org.apache.hadoop.util.StringUtils.<clinit>(StringUtils.java:79)

    at org.apache.hadoop.security.Groups.parseStaticMapping(Groups.java:104)

    at org.apache.hadoop.security.Groups.<init>(Groups.java:86)

    at org.apache.hadoop.security.Groups.<init>(Groups.java:66)

    at org.apache.hadoop.security.Groups.getUserToGroupsMappingService(Groups.java:280)

    at org.apache.hadoop.security.UserGroupInformation.initialize(UserGroupInformation.java:271)

    at org.apache.hadoop.security.UserGroupInformation.ensureInitialized(UserGroupInformation.java:248)

    at org.apache.hadoop.security.UserGroupInformation.loginUserFromSubject(UserGroupInformation.java:763)

    at org.apache.hadoop.security.UserGroupInformation.getLoginUser(UserGroupInformation.java:748)

    at org.apache.hadoop.security.UserGroupInformation.getCurrentUser(UserGroupInformation.java:621)

    at org.apache.spark.util.Utils$$anonfun$getCurrentUserName$1.apply(Utils.scala:2160)

    at org.apache.spark.util.Utils$$anonfun$getCurrentUserName$1.apply(Utils.scala:2160)

    at scala.Option.getOrElse(Option.scala:120)

    at org.apache.spark.util.Utils$.getCurrentUserName(Utils.scala:2160)

    at org.apache.spark.SparkContext.<init>(SparkContext.scala:322)

    at cn.com.sparktest.SparkTest$.<init>(SparkTest.scala:10)

    at cn.com.sparktest.SparkTest$.<clinit>(SparkTest.scala)

    at cn.com.sparktest.SparkTest.main(SparkTest.scala)

该错误不会影响程序的运算，但总是让人觉得不舒服，这个问题是因为spark运行依赖于hadoop，可是在window下其实是无法安装hadoop，只能使用cygwin模拟安装，而新版本的hadoop在windows下使用需要使用winutils.exe，解决这个问题很简单，就是下载一个winutils.exe，注意下自己操作系统是32位还是64位，找到对应版本，然后放置在这样的目录下：

　　D:hadoopinwinutils.exe

　　然后再环境变量里定义HADOOP_HOME= D:hadoop

　　环境变量的改变要重启eclipse，这样环境变量才会生效，这个时候程序运行就不会报出错误了。

转自：http://www.cnblogs.com/sharpxiajun/p/5506822.html