RDD入门——RDD 代码

创建RDD

程序入口 SparkContext

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

• SparkContext 是 spark-core 的入口组件，是一个 Spark 程序的入口，在 Spark 0.x 版本就已经存在 SparkContext 了，是一个元老级的API

• 如果把一个 Spark 程序分为前后端，那么服务就是可以运行 Spark 程序的集群，而 Driver 就是 Spark 的前端，

  在 Driver 中, SparkContext 是最主要的组件，也是 Driver 在运行时首先会创建的组件，是 Driver 的核心

• SparkContext 从提供的 API 来看，主要作用是连接集群，创建 RDD , 累加器，广播变量等

简略的说，RDD 有三种创建方式

• RDD 可以通过本地集合创建RDD
• RDD 可以通过外部数据创建RDD
• RDD 可以通过其它的RDD衍生新的RDD

通过本地集合创建RDD

@Test
def rddCreationLocal(): Unit = {
  val seq = Seq("Hello1", "Hello2", "Hello3") // 里面数据是什么类型
  val rdd1:RDD[String] = sc.parallelize(seq, 2) // RDD的里面的泛型就是什么类型, 指定为2个分区数
  sc.parallelize(seq) // parallelize 可以不指定分区数
  val rdd2: RDD[String] = sc.makeRDD(seq,2)
}

通过外部数据创建RDD

@Test
def rddCreationFiles(): Unit = {
  sc.textFile("hdfs:///.....")
  // 1. textFile中传入的是什么
  //    * 传入的是一个路径，读取路径
  //    * hdfs://   file://   /.../...(这种方式分为在集群中执行还是在本地中执行，如果在集群中，读的是hdfs，本地读的是文件系统)
  // 2. textFile是否支持分区？
  //    * 假如传入的path是 hdfs://....
  //    * 分区是由 HDFS 中文件的 block 决定的
  // 3. textFile支持什么平台
  //    * 支持 aws 和 阿里云
}

通过其它的RDD衍生新的RDD

@Test
def rddCreateFromRDD(): Unit = {
  val rdd1 = sc.parallelize(Seq(1, 2, 3))
  // 通过在 rdd 上执行算子操作，会生成新的 rdd
  // 原地计算
  // java中，str.substr 返回新的字符串，非原地计算
  // 通过rdd1.map 的操作 ，和字符串中的方式很像， 字符串可变吗？不可变
  // RDD 可变吗？ 不可变
  val rdd2: RDD[Int] = rdd1.map(item => item)
}

RDD的算子操作

• map 算子

  # spark-shell
  sc.parallelize(Seq(1, 2, 3))
  	.map( num => num * 10)
  	.collect()
  
  # IDEA
  @Test
  def mapTest(): Unit = {
    // 1. 创建RDD
    val rdd1 = sc.parallelize(Seq(1, 2, 3))
    // 2. 执行 map 操作
    val rdd2 = rdd1.map(item => item * 10)
    // 3. 得到结果
    val result:Array[Int] = rdd2.collect()
    result.foreach(item => println(item))
  	// 关闭sc
  	sc.stop()
  }
  

  
  • 作用
    • 把 RDD 中的数据 一对一的转换为另一种形式
  • 调用
    • def map[U: ClassTag] (f: T ⇒ U) : RDD[U]
  • 参数
    • f → map 算子是 原 RDD → 新 RDD 的过程， 这个函数的参数是原 RDD 的数据， 返回值是经过函数转换的新 RDD 的数据
  • 注意点
    • map 是一对一, 如果函数是 String → Array[String]则新的 RDD 中每条数据就是一个数组

• FlatMap算子

  # spark-shell
  sc.parallelize(Seq("Hello lily", "Hello lucy", "Hello tim"))
  	.flatMap( line => line.split(" "))
  	.collect()
  
  # IDEA
  @Test
  def flatMapTest(): Unit = {
    // 1. 创建RDD
    val rdd1 = sc.parallelize(Seq("Hello lily", "Hello lucy", "Hello tim"))
    // 2. 执行 flatMap 操作
    val rdd2 = rdd1.flatMap( line => line.split(" "))
    // 3. 得到结果
    val result:Array[String] = rdd2.collect()
    result.foreach(line => (println(line)))
  	// 关闭sc
  	sc.stop()
  }*
  

  
  • 作用
    • flatMap 算子和 map 算子类似, 但是 FlatMap 是一对多
  • 调用
    • def flatMap[U: ClassTag](f: T ⇒ List[U]): RDD[U]
  • 参数
    • f → 参数是原 RDD 数据, 返回值是经过函数转换的新 RDD 的数据, 需要注意的是返回值是一个集合, 集合中的数据会被展平后再放入新的 RDD
  • 注意点
    • flatMap 其实是两个操作, 是 map + flatten, 也就是先转换, 后把转换而来的 List 展开
    • flatMap 也是转换，他可以把数组和集合展开，并且flatMap中的函数一般也是集合或者数组

• ReduceByKey算子

  # spark-shell
  sc.parallelize(Seq(("a",1), ("a", 1), ("b", 1)))
  	.reduceByKey( ( cur, agg) => cur + agg)
  	.collect()
  
  # IDEA
  @Test
  def reduceByKeyTest(): Unit = {
    // 1. 创建RDD
    val rdd1 = sc.parallelize(Seq("Hello lily", "Hello lucy", "Hello tim"))
    // 2. 处理数据
    val rdd2 = rdd1.flatMap( item => item.split(" "))
      .map(item => (item, 1))
      .reduceByKey( (cur, agg) => cur + agg)
    // 3. 得到结果
    val result:Array[(String, Int)] = rdd2.collect()
    result.foreach(item => (println(item)))
    // 4. 关闭sc
    sc.stop()
  }
  

  
  • 作用
    • 首先按照 Key 分组, 接下来把整组的 Value 计算出一个聚合值, 这个操作非常类似于 MapReduce 中的 Reduce
  • 调用
    • def reduceByKey(func: (V, V) ⇒ V): RDD[(K, V)]
  • 参数
    • func → 执行数据处理的函数, 传入两个参数, 一个是当前值, 一个是局部汇总, 这个函数需要有一个输出, 输出就是这个 Key 的汇总结果
  • 注意点
    • ReduceByKey 只能作用于 Key-Value 型数据, Key-Value 型数据在当前语境中特指 Tuple
    • ReduceByKey 是一个需要 Shuffled 的操作
    • 和其它的 Shuffled 相比, ReduceByKey是高效的, 因为类似 MapReduce 的, 在 Map 端有一个 Cominer, 这样 I/O 的数据便会减少
    • reduceByKey第一步是按照Key进行分组，然后对每一组进行聚合得到结果