Spark筆記整理（四）：Spark RDD算子實(shí)戰(zhàn)

[TOC]

Spark算子概述

RDD：彈性分布式數(shù)據(jù)集，是一種特殊集合、支持多種來源、有容錯機(jī)制、可以被緩存、支持并行操作，一個RDD代表多個分區(qū)里的數(shù)據(jù)集。

RDD有兩種操作算子：

• Transformation（轉(zhuǎn)換）：Transformation屬于延遲計算，當(dāng)一個RDD轉(zhuǎn)換成另一個RDD時并沒有立即進(jìn)行轉(zhuǎn)換，僅僅是記住了數(shù)據(jù)集的邏輯操作
• Action（執(zhí)行）：觸發(fā)Spark作業(yè)的運(yùn)行，真正觸發(fā)轉(zhuǎn)換算子的計算

需要說明的是，下面寫的scala代碼，其實(shí)都是可以簡寫的，但是為了方便理解，我都沒有簡寫，因?yàn)橐唽懙脑拰τ趕cala來說真的就是一句話的事情了。

另外如果是在本地環(huán)境進(jìn)行開發(fā)，那么需要添加相關(guān)依賴：

<dependency>
    <groupId>org.scala-lang</groupId>
    <artifactId>scala-library</artifactId>
    <version>2.10.5</version>
</dependency>
<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-core_2.10</artifactId>
    <version>1.6.2</version>
</dependency>

Transformation算子

概述

需要操作的Transformation算子說明如下：

• map(func)

  返回一個新的分布式數(shù)據(jù)集，由每個原元素經(jīng)過func函數(shù)轉(zhuǎn)換后組成

• filter(func)

  返回一個新的數(shù)據(jù)集，由經(jīng)過func函數(shù)后返回值為true的原元素組成

• flatMap(func)

  類似于map，但是每一個輸入元素，會被映射為0到多個輸出元素（因此，func函數(shù)的返回值是一個Seq，而不是單一元素）

• sample(withReplacement, frac, seed)

  根據(jù)給定的隨機(jī)種子seed，隨機(jī)抽樣出數(shù)量為frac的數(shù)據(jù)

• union(otherDataset)

  返回一個新的數(shù)據(jù)集，由原數(shù)據(jù)集和參數(shù)聯(lián)合而成

• groupByKey([numTasks])

  在一個由（K,V）對組成的數(shù)據(jù)集上調(diào)用，返回一個（K，Seq[V])對的數(shù)據(jù)集。注意：默認(rèn)情況下，使用8個并行任務(wù)進(jìn)行分組，你可以傳入numTask可選參數(shù)，根據(jù)數(shù)據(jù)量設(shè)置不同數(shù)目的Task

• reduceByKey(func, [numTasks])

  在一個（K，V)對的數(shù)據(jù)集上使用，返回一個（K，V）對的數(shù)據(jù)集，key相同的值，都被使用指定的reduce函數(shù)聚合到一起。和groupbykey類似，任務(wù)的個數(shù)是可以通過第二個可選參數(shù)來配置的。

• join(otherDataset, [numTasks])

  在類型為（K,V)和（K,W)類型的數(shù)據(jù)集上調(diào)用，返回一個（K,(V,W))對，每個key中的所有元素都在一起的數(shù)據(jù)集

map

測試代碼如下：

object _02SparkTransformationOps {
    def main(args: Array[String]): Unit = {
        val conf = new SparkConf().setMaster("local[2]").setAppName(_02SparkTransformationOps.getClass.getSimpleName)
        Logger.getLogger("org.apache.spark").setLevel(Level.OFF)
        val sc = new SparkContext(conf)

        transformationOps1(sc)

        sc.stop()
    }
    /**
      * 1、map：將集合中每個元素乘以7
      * map(func):返回一個新的分布式數(shù)據(jù)集，由每個原元素經(jīng)過func函數(shù)轉(zhuǎn)換后組成
      */
    def transformationOps1(sc:SparkContext): Unit = {
        val list = List(1, 2, 3, 4, 5, 6, 7, 8, 9, 10)
        val listRDD = sc.parallelize(list)
        val retRDD = listRDD.map(num => num * 7)
        retRDD.foreach(num => println(num))
    }
}

執(zhí)行結(jié)果如下：

42
7
49
14
56
21
63
28
70
35

filter

測試代碼如下：

object _02SparkTransformationOps {
    def main(args: Array[String]): Unit = {
        val conf = new SparkConf().setMaster("local[2]").setAppName(_02SparkTransformationOps.getClass.getSimpleName)
        Logger.getLogger("org.apache.spark").setLevel(Level.OFF)
        val sc = new SparkContext(conf)

        transformationOps2(sc)

        sc.stop()
    }
    /**
      * 2、filter：過濾出集合中的奇數(shù)
      * filter(func): 返回一個新的數(shù)據(jù)集，由經(jīng)過func函數(shù)后返回值為true的原元素組成
      *
      * 一般在filter操作之后都要做重新分區(qū)（因?yàn)榭赡軘?shù)據(jù)量減少了很多）
      */
    def transformationOps2(sc:SparkContext): Unit = {
        val list = List(1, 2, 3, 4, 5, 6, 7, 8, 9, 10)
        val listRDD = sc.parallelize(list)
        val retRDD = listRDD.filter(num => num % 2 == 0)
        retRDD.foreach(println)
    }
}

輸出結(jié)果如下：

6
2
8
4
10

flatMap

測試代碼如下：

object _02SparkTransformationOps {
    def main(args: Array[String]): Unit = {
        val conf = new SparkConf().setMaster("local[2]").setAppName(_02SparkTransformationOps.getClass.getSimpleName)
        Logger.getLogger("org.apache.spark").setLevel(Level.OFF)
        val sc = new SparkContext(conf)

        transformationOps3(sc)

        sc.stop()
    }
    /**
      * 3、flatMap：將行拆分為單詞
      * flatMap(func):類似于map，但是每一個輸入元素，
      * 會被映射為0到多個輸出元素（因此，func函數(shù)的返回值是一個Seq，而不是單一元素）
      */
    def transformationOps3(sc:SparkContext): Unit = {
        val list = List("hello you", "hello he", "hello me")
        val listRDD = sc.parallelize(list)
        val wordsRDD = listRDD.flatMap(line => line.split(" "))
        wordsRDD.foreach(println)
    }
}

輸出結(jié)果如下：

hello
hello
he
you
hello
me

sample

測試代碼如下：

object _02SparkTransformationOps {
    def main(args: Array[String]): Unit = {
        val conf = new SparkConf().setMaster("local[2]").setAppName(_02SparkTransformationOps.getClass.getSimpleName)
        Logger.getLogger("org.apache.spark").setLevel(Level.OFF)
        val sc = new SparkContext(conf)

        transformationOps4(sc)

        sc.stop()
    }
    /**
      * 4、sample：根據(jù)給定的隨機(jī)種子seed，隨機(jī)抽樣出數(shù)量為frac的數(shù)據(jù)
      * sample(withReplacement, frac, seed): 根據(jù)給定的隨機(jī)種子seed，隨機(jī)抽樣出數(shù)量為frac的數(shù)據(jù)
      * 抽樣的目的：就是以樣本評估整體
      * withReplacement:
      *     true：有放回的抽樣
      *     false：無放回的抽樣
      * frac：就是樣本空間的大小，以百分比小數(shù)的形式出現(xiàn)，比如20%，就是0.2
      *
      * 使用sample算子計算出來的結(jié)果可能不是很準(zhǔn)確，1000個數(shù)，20%，樣本數(shù)量在200個左右，不一定為200
      *
      * 一般情況下，使用sample算子在做spark優(yōu)化（數(shù)據(jù)傾斜）的方面應(yīng)用最廣泛
      */
    def transformationOps4(sc:SparkContext): Unit = {
        val list = 1 to 1000
        val listRDD = sc.parallelize(list)
        val sampleRDD = listRDD.sample(false, 0.2)

        sampleRDD.foreach(num => print(num + " "))
        println
        println("sampleRDD count: " + sampleRDD.count())
        println("Another sampleRDD count: " + sc.parallelize(list).sample(false, 0.2).count())
    }
}

輸出結(jié)果如下：

sampleRDD count: 219
Another sampleRDD count: 203

union

測試代碼如下：

object _02SparkTransformationOps {
    def main(args: Array[String]): Unit = {
        val conf = new SparkConf().setMaster("local[2]").setAppName(_02SparkTransformationOps.getClass.getSimpleName)
        Logger.getLogger("org.apache.spark").setLevel(Level.OFF)
        val sc = new SparkContext(conf)

        transformationOps5(sc)

        sc.stop()
    }
    /**
      * 5、union：返回一個新的數(shù)據(jù)集，由原數(shù)據(jù)集和參數(shù)聯(lián)合而成
      * union(otherDataset): 返回一個新的數(shù)據(jù)集，由原數(shù)據(jù)集和參數(shù)聯(lián)合而成
      * 類似數(shù)學(xué)中的并集，就是sql中的union操作，將兩個集合的所有元素整合在一塊，包括重復(fù)元素
      */
    def transformationOps5(sc:SparkContext): Unit = {
        val list1 = List(1, 2, 3, 4, 5, 6, 7, 8, 9, 10)
        val list2 = List(7, 8, 9, 10, 11, 12)
        val listRDD1 = sc.parallelize(list1)
        val listRDD2 = sc.parallelize(list2)
        val unionRDD = listRDD1.union(listRDD2)

        unionRDD.foreach(println)
    }
}

輸出結(jié)果如下：

1
6
2
7
3
8
4
9
5
10
7
8
9
10
11
12

groupByKey

測試代碼如下：

object _02SparkTransformationOps {
    def main(args: Array[String]): Unit = {
        val conf = new SparkConf().setMaster("local[2]").setAppName(_02SparkTransformationOps.getClass.getSimpleName)
        Logger.getLogger("org.apache.spark").setLevel(Level.OFF)
        val sc = new SparkContext(conf)

        transformationOps6(sc)

        sc.stop()
    }
    /**
      * 6、groupByKey：對數(shù)組進(jìn)行 group by key操作
      * groupByKey([numTasks]): 在一個由（K,V）對組成的數(shù)據(jù)集上調(diào)用，返回一個（K，Seq[V])對的數(shù)據(jù)集。
      * 注意：默認(rèn)情況下，使用8個并行任務(wù)進(jìn)行分組，你可以傳入numTask可選參數(shù)，根據(jù)數(shù)據(jù)量設(shè)置不同數(shù)目的Task
      * mr中：
      * <k1, v1>--->map操作---><k2, v2>--->shuffle---><k2, [v21, v22, v23...]>---><k3, v3>
      * groupByKey類似于shuffle操作
      *
      * 和reduceByKey有點(diǎn)類似，但是有區(qū)別，reduceByKey有本地的規(guī)約，而groupByKey沒有本地規(guī)約，所以一般情況下，
      * 盡量慎用groupByKey，如果一定要用的話，可以自定義一個groupByKey，在自定義的gbk中添加本地預(yù)聚合操作
      */
    def transformationOps6(sc:SparkContext): Unit = {
        val list = List("hello you", "hello he", "hello me")
        val listRDD = sc.parallelize(list)
        val wordsRDD = listRDD.flatMap(line => line.split(" "))
        val pairsRDD:RDD[(String, Int)] = wordsRDD.map(word => (word, 1))
        pairsRDD.foreach(println)
        val gbkRDD:RDD[(String, Iterable[Int])] = pairsRDD.groupByKey()
        println("=============================================")
        gbkRDD.foreach(t => println(t._1 + "..." + t._2))
    }
}

輸出結(jié)果如下：

(hello,1)
(hello,1)
(you,1)
(he,1)
(hello,1)
(me,1)
=============================================
you...CompactBuffer(1)
hello...CompactBuffer(1, 1, 1)
he...CompactBuffer(1)
me...CompactBuffer(1)

reduceByKey

測試代碼如下：

object _02SparkTransformationOps {
    def main(args: Array[String]): Unit = {
        val conf = new SparkConf().setMaster("local[2]").setAppName(_02SparkTransformationOps.getClass.getSimpleName)
        Logger.getLogger("org.apache.spark").setLevel(Level.OFF)
        val sc = new SparkContext(conf)

        transformationOps7(sc)

        sc.stop()
    }
    /**
      * 7、reduceByKey：統(tǒng)計每個班級的人數(shù)
      * reduceByKey(func, [numTasks]): 在一個（K，V)對的數(shù)據(jù)集上使用，返回一個（K，V）對的數(shù)據(jù)集，
      * key相同的值，都被使用指定的reduce函數(shù)聚合到一起。和groupbykey類似，任務(wù)的個數(shù)是可以通過第二個可選參數(shù)來配置的。
      *
      * 需要注意的是還有一個reduce的操作，其為action算子，并且其返回的結(jié)果只有一個，而不是一個數(shù)據(jù)集
      * 而reduceByKey是一個transformation算子，其返回的結(jié)果是一個數(shù)據(jù)集
      */
    def transformationOps7(sc:SparkContext): Unit = {
        val list = List("hello you", "hello he", "hello me")
        val listRDD = sc.parallelize(list)
        val wordsRDD = listRDD.flatMap(line => line.split(" "))
        val pairsRDD:RDD[(String, Int)] = wordsRDD.map(word => (word, 1))
        val retRDD:RDD[(String, Int)] = pairsRDD.reduceByKey((v1, v2) => v1 + v2)

        retRDD.foreach(t => println(t._1 + "..." + t._2))
    }
}

輸出結(jié)果如下：

you...1
hello...3
he...1
me...1

join

測試代碼如下：

object _02SparkTransformationOps {
    def main(args: Array[String]): Unit = {
        val conf = new SparkConf().setMaster("local[2]").setAppName(_02SparkTransformationOps.getClass.getSimpleName)
        Logger.getLogger("org.apache.spark").setLevel(Level.OFF)
        val sc = new SparkContext(conf)

        transformationOps8(sc)

        sc.stop()
    }
    /**
      * 8、join：打印關(guān)聯(lián)的組合信息
      * join(otherDataset, [numTasks]): 在類型為（K,V)和（K,W)類型的數(shù)據(jù)集上調(diào)用，返回一個（K,(V,W))對，每個key中的所有元素都在一起的數(shù)據(jù)集
      * 學(xué)生基礎(chǔ)信息表和學(xué)生考試成績表
      * stu_info(sid ,name, birthday, class)
      * stu_score(sid, chinese, english, math)
      *
      * *  Serialization stack:
    - object not serializable
        這種分布式計算的過程，一個非常重要的點(diǎn)，傳遞的數(shù)據(jù)必須要序列化

        通過代碼測試，該join是等值連接(inner join)
        A.leftOuterJoin(B)
            A表所有的數(shù)據(jù)都包涵，B表中在A表沒有關(guān)聯(lián)的數(shù)據(jù)，顯示為null
        之后執(zhí)行一次filter就是join的結(jié)果
      */
    def transformationOps8(sc: SparkContext): Unit = {
        val infoList = List(
            "1,鐘  瀟,1988-02-04,bigdata",
            "2,劉向前,1989-03-24,linux",
            "3,包維寧,1984-06-16,oracle")
        val scoreList = List(
            "1,50,21,61",
            "2,60,60,61",
            "3,62,90,81",
            "4,72,80,81"
        )

        val infoRDD:RDD[String] = sc.parallelize(infoList)
        val scoreRDD:RDD[String] = sc.parallelize(scoreList)

        val infoPairRDD:RDD[(String, Student)] = infoRDD.map(line => {
            val fields = line.split(",")
            val student = new Student(fields(0), fields(1), fields(2), fields(3))
            (fields(0), student)
        })
        val scorePairRDD:RDD[(String, Score)] = scoreRDD.map(line => {
            val fields = line.split(",")
            val score = new Score(fields(0), fields(1).toFloat, fields(2).toFloat, fields(3).toFloat)
            (fields(0), score)
        })

        val joinedRDD:RDD[(String, (Student, Score))] = infoPairRDD.join(scorePairRDD)
        joinedRDD.foreach(t => {
            val sid = t._1
            val student = t._2._1
            val score = t._2._2
            println(sid + "\t" + student + "\t" + score)
        })

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

        val leftOuterRDD:RDD[(String, (Score, Option[Student]))] = scorePairRDD.leftOuterJoin(infoPairRDD)
        leftOuterRDD.foreach(println)

    }
}

輸出結(jié)果如下：

3   3 包維寧 1984-06-16 oracle 3 62.0 90.0 81.0
2   2 劉向前 1989-03-24 linux  2 60.0 60.0 61.0
1   1 鐘  瀟 1988-02-04 bigdata   1 50.0 21.0 61.0
=========================================
(4,(4 72.0 80.0 81.0,None))
(3,(3 62.0 90.0 81.0,Some(3 包維寧 1984-06-16 oracle)))
(2,(2 60.0 60.0 61.0,Some(2 劉向前 1989-03-24 linux)))
(1,(1 50.0 21.0 61.0,Some(1 鐘  瀟 1988-02-04 bigdata)))

為了更好進(jìn)行操作和理解，下面提供一個Spark-shell的經(jīng)典例子：

scala> val infoList = List("1,zhongxiang","2,liuxiangqian","3,baweining")
infoList: List[String] = List(1,zhongxiang, 2,liuxiangqian, 3,baweining)

scala> val infoRDD = sc.parallelize(infoList)
infoRDD: org.apache.spark.rdd.RDD[String] = ParallelCollectionRDD[31] at parallelize at <console>:29

scala> val infoPairRDD = infoRDD.map(line => (line.split(",")(0),line.split(",")(1)))
infoPairRDD: org.apache.spark.rdd.RDD[(String, String)] = MapPartitionsRDD[32] at map at <console>:31

scala> val scoreList = List("1,50-21-61","2,60-60-61","3,62-90-81","4,72-80-81")
scoreList: List[String] = List(1,50-21-61, 2,60-60-61, 3,62-90-81, 4,72-80-81)

scala> val scoreRDD = sc.parallelize(scoreList)
scoreRDD: org.apache.spark.rdd.RDD[String] = ParallelCollectionRDD[33] at parallelize at <console>:29

scala> val scorePairRDD = scoreRDD.map(line => (line.split(",")(0),line.split(",")(1)))
scorePairRDD: org.apache.spark.rdd.RDD[(String, String)] = MapPartitionsRDD[34] at map at <console>:31

scala>

scala> val joinedRDD = infoPairRDD.join(scorePairRDD)
joinedRDD: org.apache.spark.rdd.RDD[(String, (String, String))] = MapPartitionsRDD[37] at join at <console>:39

scala> joinedRDD.foreach(t => println(t._1 + "\t" + "name:" + t._2._1 + "\t" + "score:" + t._2._2))
1   name:zhongxiang score:50-21-61
3   name:baweining  score:62-90-81
2   name:liuxiangqian   score:60-60-61

有讀者反應(yīng)上面的案例還是過于復(fù)雜化，于是又寫了下面這個demo，相信就很好理解了：

scala> val infoPairRDD = sc.parallelize(Seq((1,"leaf"),(2,"xpleaf"),(3,"yyh")))
infoPairRDD: org.apache.spark.rdd.RDD[(Int, String)] = ParallelCollectionRDD[41] at parallelize at <console>:27
scala> infoPairRDD.foreach(println)
(2,xpleaf)
(1,leaf)
(3,yyh)

scala> val scorePairRDD = sc.parallelize(Seq((1, 93), (2, 91), (3, 86), (4, 97)))
scorePairRDD: org.apache.spark.rdd.RDD[(Int, Int)] = ParallelCollectionRDD[44] at parallelize at <console>:27
scala> scorePairRDD.foreach(println)
(1,93)
(3,86)
(2,91)
(4,97)

scala> val joinedRDD = infoPairRDD.join(scorePairRDD)
joinedRDD: org.apache.spark.rdd.RDD[(Int, (String, Int))] = MapPartitionsRDD[53] at join at <console>:31
scala> joinedRDD.foreach(println)
(2,(xpleaf,91))
(1,(leaf,93))
(3,(yyh,86))

1.應(yīng)該很清楚地理解到，spark中的join其實(shí)跟sql中的join是類似的，infoPairRDD和scorePairRDD就可以理解為兩張表，而RDD中的每一條數(shù)據(jù)就可以理解為表中的一條數(shù)據(jù)，上面的盒子，相當(dāng)于兩個表中都有相同的id，需要將兩張表中的數(shù)據(jù)根據(jù)id來進(jìn)行連接，因此，在上面演示的等值連接中，左表的每一條數(shù)據(jù)，只要左表有出現(xiàn)的id，在右表也有相同的id，那么就會進(jìn)行連接操作，當(dāng)然，這是等值連接的情況，對于左外連接，則是不管右表有沒有該id出現(xiàn)，左邊的數(shù)據(jù)都會顯示出來。

2.spark在進(jìn)行開發(fā)級別的調(diào)優(yōu)時，要盡可能避免出現(xiàn)shuffle操作，對于join操作，尤其需要注意的是大小表join問題，如果采用大表.join(小表)的join操作，實(shí)際上，在網(wǎng)絡(luò)上或者節(jié)點(diǎn)之間傳輸?shù)氖切”淼臄?shù)據(jù)，這不會有太大的性能問題，但是如果是采用小表.join(大表)，那么在網(wǎng)絡(luò)上或者節(jié)點(diǎn)之間就會傳輸大量的數(shù)據(jù)，這會造成很嚴(yán)重的性能問題。所以，當(dāng)需要執(zhí)行join操作時，請一定要警惕大小表的問題。
3.看下面的兩份RDD數(shù)據(jù)，顯然是從infoRDD的分區(qū)傳輸?shù)絪coreRDD的分區(qū)成本更低：

infoRDD:
(1,"info")
(2,"info")
(3,"info")
(4,"info")

scoreRDD:
(1,"score1")
(1,"score2")
(1,"score3")
(1,"score4")
(1,"score5")

(2,"score1")
(2,"score2")
(2,"score3")
(2,"score4")
(2,"score5")

(3,"score1")
(3,"score2")
(3,"score3")
(3,"score4")
(3,"score5")

(4,"score1")
(4,"score2")
(4,"score3")
(4,"score4")
(4,"score5")

sortByKey

測試代碼如下：

object _02SparkTransformationOps {
    def main(args: Array[String]): Unit = {
        val conf = new SparkConf().setMaster("local[2]").setAppName(_02SparkTransformationOps.getClass.getSimpleName)
        Logger.getLogger("org.apache.spark").setLevel(Level.OFF)
        val sc = new SparkContext(conf)

        transformationOps7(sc)

        sc.stop()
    }
    /**
      * sortByKey：將學(xué)生身高進(jìn)行（降序）排序
      *     身高相等，按照年齡排（升序）
      */
    def transformationOps9(sc: SparkContext): Unit = {
        val list = List(
            "1,李  磊,22,175",
            "2,劉銀鵬,23,175",
            "3,齊彥鵬,22,180",
            "4,楊  柳,22,168",
            "5,敦  鵬,20,175"
        )
        val listRDD:RDD[String] = sc.parallelize(list)

        /*  // 使用sortBy操作完成排序
        val retRDD:RDD[String] = listRDD.sortBy(line => line, numPartitions = 1)(new Ordering[String] {
            override def compare(x: String, y: String): Int = {
                val xFields = x.split(",")
                val yFields = y.split(",")
                val xHgiht = xFields(3).toFloat
                val yHgiht = yFields(3).toFloat
                val xAge = xFields(2).toFloat
                val yAge = yFields(2).toFloat
                var ret = yHgiht.compareTo(xHgiht)
                if (ret == 0) {
                    ret = xAge.compareTo(yAge)
                }
                ret
            }
        } ,ClassTag.Object.asInstanceOf[ClassTag[String]])
        */
        // 使用sortByKey完成操作,只做身高降序排序
        val heightRDD:RDD[(String, String)] = listRDD.map(line => {
            val fields = line.split(",")
            (fields(3), line)
        })
        val retRDD:RDD[(String, String)] = heightRDD.sortByKey(ascending = false, numPartitions = 1)   // 需要設(shè)置1個分區(qū)，否則只是各分區(qū)內(nèi)有序
        retRDD.foreach(println)

        // 使用sortByKey如何實(shí)現(xiàn)sortBy的二次排序？將上面的信息寫成一個java對象，然后重寫compareTo方法，在做map時，key就為該對象本身，而value可以為null

    }
}

輸出結(jié)果如下：

(180,3,齊彥鵬,22,180)
(175,1,李  磊,22,175)
(175,2,劉銀鵬,23,175)
(175,5,敦  鵬,20,175)
(168,4,楊  柳,22,168)

下面是一個快速入門的demo：

scala> val rdd = sc.parallelize(Seq((1,"one"),(2,"two"),(3,"three")))
rdd: org.apache.spark.rdd.RDD[(Int, String)] = ParallelCollectionRDD[10] at parallelize at <console>:21

scala> rdd.sortByKey(true, 1).foreach(println)
(1,one)
(2,two)
(3,three)

combineByKey與aggregateByKey

下面的代碼分別使用combineByKey和aggregateByKey來模擬groupByKey和reduceBykey，所以是有4個操作，只要把combineByKey模擬groupByKey的例子掌握了，其它三個相對就容易許多了。

整體來說理解不太容易，但是非常重要，所以一定是要掌握的！

/**
  * spark的transformation操作：
  * aggregateByKey
  * combineByKey
  *
  * 使用combineByKey和aggregateByKey模擬groupByKey和reduceByKey
  *
  * 通過查看源碼，我們發(fā)現(xiàn)aggregateByKey底層，還是combineByKey
  *
  * 問題：combineByKey和aggregateByKey的區(qū)別？
  * aggregateByKey是柯里化形式的，目前底層源碼還沒時間去分析，所知道的區(qū)別是這個
  */
object _03SparkTransformationOps {
    def main(args: Array[String]): Unit = {
        val conf = new SparkConf().setMaster("local[2]").setAppName(_03SparkTransformationOps.getClass.getSimpleName)
        Logger.getLogger("org.apache.spark").setLevel(Level.OFF)
        val sc = new SparkContext(conf)

//        combineByKey2GroupByKey(sc)
//        combineByKey2ReduceByKey(sc)
//        aggregateByKey2ReduceByKey(sc)
        aggregateByKey2GroupByKey(sc)

        sc.stop()
    }

    /**
      * 使用aggregateByKey模擬groupByKey
      */
    def aggregateByKey2GroupByKey(sc: SparkContext): Unit = {
        val list = List("hello bo bo", "zhou xin xin", "hello song bo")
        val lineRDD = sc.parallelize(list)
        val wordsRDD = lineRDD.flatMap(line => line.split(" "))
        val pairsRDD = wordsRDD.map(word => (word, 1))

        val retRDD:RDD[(String, ArrayBuffer[Int])] = pairsRDD.aggregateByKey(ArrayBuffer[Int]()) (  // 這里需要指定value的類型為ArrayBuffer[Int]()
            (part, num) => {
                part.append(num)
                part
            },
            (part1, part2) => {
                part1.++=(part2)
                part1
            }
        )

        retRDD.foreach(println)
    }

    /**
      * 使用aggregateByKey模擬reduceByKey
      *   def aggregateByKey[U: ClassTag](zeroValue: U)(seqOp: (U, V) => U,
      combOp: (U, U) => U): RDD[(K, U)]
      (zeroValue: U)就對應(yīng)的是combineByKey中的第一個函數(shù)的返回值
      seqOp 就對應(yīng)的是combineByKey中的第二個函數(shù)，也就是mergeValue
      combOp 就對應(yīng)的是combineByKey中的第三個函數(shù)，也就是mergeCombiners
      */
    def aggregateByKey2ReduceByKey(sc:SparkContext): Unit = {
        val list = List("hello bo bo", "zhou xin xin", "hello song bo")
        val lineRDD = sc.parallelize(list)
        val wordsRDD = lineRDD.flatMap(line => line.split(" "))
        val pairsRDD = wordsRDD.map(word => (word, 1))

        val retRDD:RDD[(String, Int)] = pairsRDD.aggregateByKey(0) (
            (partNum, num) => partNum + num,    // 也就是mergeValue
            (partNum1, partNum2) => partNum1 + partNum2 // 也就是mergeCombiners
        )

        retRDD.foreach(println)
    }

    /**
      * 使用reduceByKey模擬groupByKey
      */
    def combineByKey2ReduceByKey(sc:SparkContext): Unit = {
        val list = List("hello bo bo", "zhou xin xin", "hello song bo")
        val lineRDD = sc.parallelize(list)
        val wordsRDD = lineRDD.flatMap(line => line.split(" "))
        val pairsRDD = wordsRDD.map(word => (word, 1))

        /**
          * 對于createCombiner1   mergeValue1     mergeCombiners1
          * 代碼的參數(shù)已經(jīng)體現(xiàn)得很清楚了，其實(shí)只要理解了combineByKey模擬groupByKey的例子，這個就非常容易了
          */
        var retRDD:RDD[(String, Int)] = pairsRDD.combineByKey(createCombiner1, mergeValue1, mergeCombiners1)

        retRDD.foreach(println)
    }

    /**
      * reduceByKey操作，value就是該數(shù)值本身，則上面的數(shù)據(jù)會產(chǎn)生：
      * (hello, 1) (bo, 1)   (bo, 1)
      * (zhou, 1)  (xin, 1)  (xin, 1)
      * (hello, 1) (song, 1) (bo, 1)
      * 注意有別于groupByKey的操作，它是創(chuàng)建一個容器
      */
    def createCombiner1(num:Int):Int = {
        num
    }

    /**
      * 同一partition內(nèi)，對于有相同key的，這里的mergeValue直接將其value相加
      * 注意有別于groupByKey的操作，它是添加到value到一個容器中
      */
    def mergeValue1(localNum1:Int, localNum2:Int): Int = {
        localNum1 + localNum2
    }

    /**
      * 將兩個不同partition中的key相同的value值相加起來
      * 注意有別于groupByKey的操作，它是合并兩個容器
      */
    def mergeCombiners1(thisPartitionNum1:Int, anotherPartitionNum2:Int):Int = {
        thisPartitionNum1 + anotherPartitionNum2
    }

    /**
      * 使用combineByKey模擬groupByKey
      */
    def combineByKey2GroupByKey(sc:SparkContext): Unit = {
        val list = List("hello bo bo", "zhou xin xin", "hello song bo")
        val lineRDD = sc.parallelize(list)
        val wordsRDD = lineRDD.flatMap(line => line.split(" "))
        val pairsRDD = wordsRDD.map(word => (word, 1))

        // 輸出每個partition中的map對
        pairsRDD.foreachPartition( partition => {
            println("<=========partition-start=========>")
            partition.foreach(println)
            println("<=========partition-end=========>")
        })

        val gbkRDD:RDD[(String, ArrayBuffer[Int])] = pairsRDD.combineByKey(createCombiner, mergeValue, mergeCombiners)

        gbkRDD.foreach(println)

        // 如果要測試最后groupByKey的結(jié)果是在幾個分區(qū)，可以使用下面的代碼進(jìn)行測試
        /*gbkRDD.foreachPartition(partition => {
            println("~~~~~~~~~~~~~~~~~~~~~~~~~~~")
            partition.foreach(println)
        })*/

    }

    /**
      * 初始化，將value轉(zhuǎn)變成為標(biāo)準(zhǔn)的格式數(shù)據(jù)
      * 是在每個分區(qū)中進(jìn)行的操作，去重后的key有幾個，就調(diào)用次，
      * 因?yàn)閷τ诿總€key，其容器創(chuàng)建一次就ok了，之后有key相同的，只需要執(zhí)行mergeValue到已經(jīng)創(chuàng)建的容器中即可
      */
    def createCombiner(num:Int):ArrayBuffer[Int] = {
        println("----------createCombiner----------")
        ArrayBuffer[Int](num)
    }

    /**
      * 將key相同的value，添加到createCombiner函數(shù)創(chuàng)建的ArrayBuffer容器中
      * 一個分區(qū)內(nèi)的聚合操作，將一個分區(qū)內(nèi)key相同的數(shù)據(jù)，合并
      */
    def mergeValue(ab:ArrayBuffer[Int], num:Int):ArrayBuffer[Int] = {
        println("----------mergeValue----------")
        ab.append(num)
        ab
    }

    /**
      * 將key相同的多個value數(shù)組，進(jìn)行整合
      * 分區(qū)間的合并操作
      */
    def mergeCombiners(ab1:ArrayBuffer[Int], ab2:ArrayBuffer[Int]):ArrayBuffer[Int] = {
        println("----------mergeCombiners----------")
        ab1 ++= ab2
        ab1
    }

}

/*
combineByKey模擬groupByKey的一個輸出效果，可以很好地說明createCombiner、mergeValue和mergeCombiners各個階段的執(zhí)行時機(jī)：
<=========partition-start=========>
<=========partition-start=========>
(hello,1)
(zhou,1)
(bo,1)
(xin,1)
(bo,1)
(xin,1)
<=========partition-end=========>
(hello,1)
(song,1)
(bo,1)
<=========partition-end=========>
----------createCombiner----------
----------createCombiner----------
----------createCombiner----------
----------createCombiner----------
----------mergeValue----------
----------mergeValue----------
----------createCombiner----------
----------createCombiner----------
----------createCombiner----------
----------mergeCombiners----------
----------mergeCombiners----------
(song,ArrayBuffer(1))
(hello,ArrayBuffer(1, 1))
(bo,ArrayBuffer(1, 1, 1))
(zhou,ArrayBuffer(1))
(xin,ArrayBuffer(1, 1))
 */

Actions算子

概述

前面Transformationt算子的測試都是在本地開發(fā)環(huán)境中直接跑代碼，這里Actions算子的測試主要在spark-shell中進(jìn)行操作，因?yàn)闀奖愫芏唷?/p>

需要說明的Actions算子如下：

• reduce(func)

  通過函數(shù)func聚集數(shù)據(jù)集中的所有元素。Func函數(shù)接受2個參數(shù)，返回一個值。這個函數(shù)必須是關(guān)聯(lián)性的，確?？梢员徽_的并發(fā)執(zhí)行

• collect()

  在Driver的程序中，以數(shù)組的形式，返回數(shù)據(jù)集的所有元素。這通常會在使用filter或者其它操作后，返回一個足夠小的數(shù)據(jù)子集再使用，直接將整個RDD集Collect返回，很可能會讓Driver程序OOM

• count()

  返回數(shù)據(jù)集的元素個數(shù)

• take(n)

  返回一個數(shù)組，由數(shù)據(jù)集的前n個元素組成。注意，這個操作目前并非在多個節(jié)點(diǎn)上，并行執(zhí)行，而是Driver程序所在機(jī)器，單機(jī)計算所有的元素(Gateway的內(nèi)存壓力會增大，需要謹(jǐn)慎使用）

• first()

  返回數(shù)據(jù)集的第一個元素（類似于take(1)）

• saveAsTextFile(path)

  將數(shù)據(jù)集的元素，以textfile的形式，保存到本地文件系統(tǒng)，hdfs或者任何其它hadoop支持的文件系統(tǒng)。Spark將會調(diào)用每個元素的toString方法，并將它轉(zhuǎn)換為文件中的一行文本

• saveAsSequenceFile(path)

  將數(shù)據(jù)集的元素，以sequencefile的格式，保存到指定的目錄下，本地系統(tǒng)，hdfs或者任何其它hadoop支持的文件系統(tǒng)。RDD的元素必須由key-value對組成，并都實(shí)現(xiàn)了Hadoop的Writable接口，或隱式可以轉(zhuǎn)換為Writable（Spark包括了基本類型的轉(zhuǎn)換，例如Int，Double，String等等）

• foreach(func)

  在數(shù)據(jù)集的每一個元素上，運(yùn)行函數(shù)func。這通常用于更新一個累加器變量，或者和外部存儲系統(tǒng)做交互

reduce

通過函數(shù)func聚集數(shù)據(jù)集中的所有元素。Func函數(shù)接受2個參數(shù)，返回一個值。這個函數(shù)必須是關(guān)聯(lián)性的，確?？梢员徽_的并發(fā)執(zhí)行。

關(guān)于reduce的執(zhí)行過程，可以對比scala中類似的reduce函數(shù)，相關(guān)說明可以參考我的scala整理的知識點(diǎn)。

scala> val list = List(1, 2, 3, 4, 5, 6)
list: List[Int] = List(1, 2, 3, 4, 5, 6)

scala> val listRDD = sc.parallelize(list)
listRDD: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[2] at parallelize at <console>:29

scala> val ret = listRDD.reduce((v1, v2) => v1 + v2)
...
ret: Int = 21

需要注意的是，不同于Transformation算子，其結(jié)果仍然是RDD，但是執(zhí)行Actions算子之后，其結(jié)果不再是RDD，而是一個標(biāo)量。

collect

在Driver的程序中，以數(shù)組的形式，返回數(shù)據(jù)集的所有元素。這通常會在使用filter或者其它操作后，返回一個足夠小的數(shù)據(jù)子集再使用，直接將整個RDD集Collect返回，很可能會讓Driver程序OOM，這點(diǎn)尤其需要注意。

scala> val list = List(1, 2, 3, 4, 5, 6)
list: List[Int] = List(1, 2, 3, 4, 5, 6)

scala> val listRDD = sc.parallelize(list)
listRDD: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[3] at parallelize at <console>:29

scala> val ret = listRDD.collect()
...
ret: Array[Int] = Array(1, 2, 3, 4, 5, 6)

count

返回數(shù)據(jù)集的元素個數(shù)。

scala> val list = List(1, 2, 3, 4, 5, 6)
list: List[Int] = List(1, 2, 3, 4, 5, 6)

scala> val listRDD = sc.parallelize(list)
listRDD: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[4] at parallelize at <console>:29

scala> val ret = listRDD.count()
...
ret: Long = 6

take

返回一個數(shù)組，由數(shù)據(jù)集的前n個元素組成。注意，這個操作目前并非在多個節(jié)點(diǎn)上，并行執(zhí)行，而是Driver程序所在機(jī)器，單機(jī)計算所有的元素(Gateway的內(nèi)存壓力會增大，需要謹(jǐn)慎使用）。

scala> val list = List(1, 2, 3, 4, 5, 6)
list: List[Int] = List(1, 2, 3, 4, 5, 6)

scala> val listRDD = sc.parallelize(list)
listRDD: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[5] at parallelize at <console>:29

scala> listRDD.take(3)
...
res7: Array[Int] = Array(1, 2, 3)

first

返回數(shù)據(jù)集的第一個元素（類似于take(1)）。

scala> val list = List(1, 2, 3, 4, 5, 6)
list: List[Int] = List(1, 2, 3, 4, 5, 6)

scala> val listRDD = sc.parallelize(list)
listRDD: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[6] at parallelize at <console>:29

scala> listRDD.first()
...
res8: Int = 1

saveAsTextFile

將數(shù)據(jù)集的元素，以textfile的形式，保存到本地文件系統(tǒng)，hdfs或者任何其它hadoop支持的文件系統(tǒng)。Spark將會調(diào)用每個元素的toString方法，并將它轉(zhuǎn)換為文件中的一行文本。

scala> val list = List(1, 2, 3, 4, 5, 6)
list: List[Int] = List(1, 2, 3, 4, 5, 6)

scala> val listRDD = sc.parallelize(list)
listRDD: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[7] at parallelize at <console>:29

scala> listRDD.saveAsTextFile("file:///home/uplooking/data/spark/action")
...

可以在文件系統(tǒng)中查看到保存的文件：

[uplooking@uplooking01 action]$ pwd
/home/uplooking/data/spark/action
[uplooking@uplooking01 action]$ ls
part-00000  part-00001  part-00002  part-00003  _SUCCESS

其實(shí)可以看到，保存的跟Hadoop的格式是一樣的。

當(dāng)然因?yàn)槲业膕park集群中已經(jīng)做了跟hadoop相關(guān)的配置，所以也可以把文件保存到hdfs中：

scala> listRDD.saveAsTextFile("hdfs://ns1/output/spark/action")
...

然后就可以在hdfs中查看到保存的文件：

[uplooking@uplooking01 action]$ hdfs dfs -ls /output/spark/action
18/04/27 10:27:55 WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
Found 5 items
-rw-r--r--   3 uplooking supergroup          0 2018-04-27 10:25 /output/spark/action/_SUCCESS
-rw-r--r--   3 uplooking supergroup          2 2018-04-27 10:25 /output/spark/action/part-00000
-rw-r--r--   3 uplooking supergroup          4 2018-04-27 10:25 /output/spark/action/part-00001
-rw-r--r--   3 uplooking supergroup          2 2018-04-27 10:25 /output/spark/action/part-00002
-rw-r--r--   3 uplooking supergroup          4 2018-04-27 10:25 /output/spark/action/part-00003

可以看到，保存的格式跟保存到本地文件系統(tǒng)是一樣的。

foreach

在數(shù)據(jù)集的每一個元素上，運(yùn)行函數(shù)func。這通常用于更新一個累加器變量，或者和外部存儲系統(tǒng)做交互。

scala> val list = List(1, 2, 3, 4, 5, 6)
list: List[Int] = List(1, 2, 3, 4, 5, 6)

scala> val listRDD = sc.parallelize(list)
listRDD: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[12] at parallelize at <console>:29

scala> listRDD.foreach(println)
...

saveAsNewAPIHadoopFile

也就是將數(shù)據(jù)保存到Hadoop HDFS中，但是需要注意的是，前面使用saveAsTextFile也可以進(jìn)行相關(guān)操作，其使用的就是saveAsNewAPIHadoopFile或者saveAsHadoopFile這兩個API，而其兩者的區(qū)別是：

• saveAsHadoopFile的OutputFormat使用的：org.apache.hadoop.mapred中的早期的類
• saveAsNewAPIHadoopFile的OutputFormat使用的：org.apache.hadoop.mapreduce中的新的類。但不管使用哪一個，都是可以完成工作的。

測試代碼如下：

package cn.xpleaf.bigdata.spark.scala.core.p2

import org.apache.hadoop.io.{IntWritable, Text}
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat
import org.apache.spark.{SparkConf, SparkContext}

/**
  * Spark算子操作之Action
  *     saveAsNewAPIHAdoopFile
  *     * saveAsHadoopFile
  * 和saveAsNewAPIHadoopFile的唯一區(qū)別就在于OutputFormat的不同
  * saveAsHadoopFile的OutputFormat使用的：org.apache.hadoop.mapred中的早期的類
  * saveAsNewAPIHadoopFile的OutputFormat使用的：org.apache.hadoop.mapreduce中的新的類
  * 使用哪一個都可以完成工作
  *
  * 前面在使用saveAsTextFile時也可以保存到hadoop文件系統(tǒng)中，注意其源代碼也是使用上面的操作的
  *
  *   Caused by: java.net.UnknownHostException: ns1
    ... 35 more
  找不到ns1，因?yàn)槲覀冊诒镜貨]有配置，無法正常解析，就需要將hadoop的配置文件信息給我們加載進(jìn)來
    hdfs-site.xml.heihei,core-site.xml.heihei
  */
object _05SparkActionOps {
    def main(args: Array[String]): Unit = {
        val conf = new SparkConf().setMaster("local[2]").setAppName(_05SparkActionOps.getClass.getSimpleName)
        val sc = new SparkContext(conf)

        val list = List("hello you", "hello he", "hello me")
        val listRDD = sc.parallelize(list)
        val pairsRDD = listRDD.map(word => (word, 1))
        val retRDD = pairsRDD.reduceByKey((v1, v2) => v1 + v2)

        retRDD.saveAsNewAPIHadoopFile(
            "hdfs://ns1/spark/action",      // 保存的路徑
            classOf[Text],                      // 相當(dāng)于mr中的k3
            classOf[IntWritable],               // 相當(dāng)于mr中的v3
            classOf[TextOutputFormat[Text, IntWritable]]    // 設(shè)置(k3, v3)的outputFormatClass
        )

    }
}

之后我們可以在hdfs中查看到相應(yīng)的文件輸出：

[uplooking@uplooking01 ~]$ hdfs dfs -ls /spark/action               
18/04/27 12:07:49 WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
Found 3 items
-rw-r--r--   3 Administrator supergroup          0 2018-04-27 12:07 /spark/action/_SUCCESS
-rw-r--r--   3 Administrator supergroup         13 2018-04-27 12:07 /spark/action/part-r-00000
-rw-r--r--   3 Administrator supergroup         11 2018-04-27 12:07 /spark/action/part-r-00001
[uplooking@uplooking01 ~]$ hdfs dfs -text /spark/action/part-r-00000
18/04/27 12:08:06 WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
hello   3
me      1
[uplooking@uplooking01 ~]$ hdfs dfs -text /spark/action/part-r-00001
18/04/27 12:08:11 WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
you     1
he      1

寬依賴和窄依賴

窄依賴(narrow dependencies)

子RDD的每個分區(qū)依賴于常數(shù)個父分區(qū)（與數(shù)據(jù)規(guī)模無關(guān)）
輸入輸出一對一的算子，且結(jié)果RDD的分區(qū)結(jié)構(gòu)不變。主要是map/flatmap
輸入輸出一對一的算子，但結(jié)果RDD的分區(qū)結(jié)構(gòu)發(fā)生了變化，如union/coalesce
從輸入中選擇部分元素的算子，如filter、distinct、substract、sample

寬依賴(wide dependencies)

子RDD的每個分區(qū)依賴于所有的父RDD分區(qū)
對單個RDD基于key進(jìn)行重組和reduce，如groupByKey，reduceByKey
對兩個RDD基于key進(jìn)行join和重組，如join
經(jīng)過大量shuffle生成的RDD，建議進(jìn)行緩存。這樣避免失敗后重新計算帶來的開銷。

注意：reduce是一個action，和reduceByKey完全不同。

關(guān)于寬依賴和窄依賴，《Hadoop與大數(shù)據(jù)挖掘》書本上的說明非常精簡，但是理解起來也是不錯的，可以參考一下，當(dāng)然，這本書的Spark內(nèi)容就寫得非常少了。