sparkRDD相关操作

RDD（弹性分布式数据集）。RDD以分区中的每一行进行分布式计算。父子依赖关系。

一、RDD创建操作

1）数据集合

Val data=Array(1, 2, 3, 4, 5, 6, 7, 8, 9)

Val distData = sc.parallelize(data, 3) #分区，生成RDD数据集

Val distData =sc.parallelize(1 to 10, 2) #2是并行程度，指定多少线程同时执行。

distData.collect

distData.take(1)

sc.makeRDD(1 to 10, 4).map(e=> {val tname=Thread.currentThread().getName; println(tname + ":" +e)}).collect

2）外部读取

Val distFile1 = sc.textFile(“data.txt”) /#本地当前目录下文件或指定目录下文件

Val distFile2 = sc.textFile(“hdfs://192.168.1.100:9000/input/data.txt”)#HDFS文件

textFile(“/input/001.txt, /input/002.txt”)#读取多个文件

textFile(“/input/*.txt”)#读取含通配符路径

二、RDD转换操作（不会立即执行，返回RDD）

1)   Map

Map是对RDD中每个元素都执行一个指定的函数来生成一个新的RDD

Val rdd1=sc.parallelize(1 to 9, 3)

Val rdd2=rdd1.map(x=>x*2)

Rdd2.collect

2)   Filter

Filter是对RDD元素进行过滤，返回一个新的数据集，是经过func函数后返回值为True的原元素组成

Val rdd3=rdd2.filter (x=>x>10)

(12, 14, 16)

3)   Top

提取rdd最大的n个元素

rdd1.top(1)

rdd1.top(1)(scala.math.Ordering.String.reverse) #倒序

4)   flatMap

类似于map，但是它是一对多关系

rdd3.flatMap(x => x to 20)

（12,13,14,15,16,17,18,19,20,14,15,16,17,18,19,20,16,17,18,19,20）

5)   mapPartitons

是map的一种变种，mapPartitions的输入函数是每个分区的数据，也就是把每个分区中的内容作为整体来处理 。

6)   repatition

再分区

rdd.repartition(4)

7)   sample

Sample(withReplacement, fraction, seed) 第一个参数是是否为又放回抽样，第二个参数是比例。

Val a=sc.parallelize(1 to 10000,3)

a.sample(false, 0.1).collect().foreach(println)

8)   union

数据合并，返回一个新的数据集

Val rdd8=rdd1.union(rdd3)

Rdd8.collect

9)   intersection

数据交集

Val rdd9=rdd8.intersection(rdd1)

10)  distinct

数据去重

Val rdd10=rdd8.union(rdd9).distinct

11)  groupBy

对RDD元素进行分组

val rdd = sc.parallelize(Array((“tom”,10),(“tomas”,12),(“tomlee”,12),(“tomsan”,10))

val rdd2 = rdd.groupBy(e => e _2)

rdd2.collect()

Array((10.CompareBuffer((tom,10),(tomsam,10)),12.CompareBuffer((tomas,12),(tomlee,12))))

12)  groupByKey

根据Key进行分组，迭代部分都是value

Val rdd0=sc.parallelize(Array((1,1),(1,2),(1,3),(2,1),(2,2),(2,3)),3)

Val rdd1=rdd0.groupByKey()

Array((1,ArrayBuffer(1,2,3)),(2,ArrayBuffer(1,2,3)))

13)  groupWith

两个RDD

100->tom

200->tomas

100->20

200->30

Val rdd1 = sc.makeRDD(Array((100,”tom”),(200, “tomas”)))

Val rdd2 = sc.makeRDD(Array((100, 20),(200, 30)))

rdd1.groupWith(rdd2)

Array((100,(CompactBuffer(tom),CompactBuffer(20))),(200,(CompactBuffer(tomas),CompactBuffer(30))))

14)  reduceBykey

数组的分组聚合操作

Val rdd12=rdd0.reduceByKey((x,y)=>x+y)

Array((1,6),(2,6))

15)  aggregeteByKey

更加灵活的一个函数。三个参数，第一个是初始值，第二个是给每个元素值进行的函数操作，第三个是根据Key做相应的合并操作

Val z=sc.parallelize(list((1,3),(1,2),(1,4),(2,3)))

z.aggregateByKey(0)(math.max(_,_),_+_)  #先将每个value值与初始值0比较大小，然后根据Key求和。

Array((2,3),(1,9))

16)  conbineByKey

更加灵活的一个函数，与reduceByKey不同，它可以同时计算求和和求次数。根据Key进行聚合操作。

17)  sortByKey

排序操作

Val rdd14=rdd0.sortBykey()

Rdd14.collect

18)  join

连接两个RDD，形成新的rdd，(跟groupwith区别是join是一对一，groupwith是分组，相同的放一起)

（1 tom） join (1 100) --> 1, (tom, 100)

（2 tomas） join (2 80) --> 2, (tomas, 80)

Val rdd1 = sc.makeRDD(Array((1, “tom”), (2, “tomas”)))

Val rdd1 = sc.makeRDD(Array((1, 100), (2, 80)))

rdd1.join(rdd2).collect()

array((1,(tom,800)),(2,(tomas,700)))

19)  intersection

提取RDD之间的交集

val rdd1 = sc.makeRDD(Array(“tom”,”tomas”,”tomaslee”))

val rdd2 = sc.makeRDD(Array(“tomas”,”tomaslee”,”tomason”))

rdd1.intersection().collect()

Array(tomaslee, tomas)

20)  cogroup

输入数据集(k, v)和另外一个数据集(k, w)进行cogroup，得到一个格式（k, Seq[v], Seq[W]）的数据集。

rdd0 = sc.makeRDD(Array((1, “tom”),(2,”tomas”),(3,”tomasLee”) ))

rdd0.cogroup(sc.makeRDD(Array((1,”hebei”),(2,”henan”),(3,”hexi”))))

Array((1,(CompactBuffer(tom),CompactBuffer(hebei))), (2,(CompactBuffer(tomas),CompactBuffer(henan))), (3,(CompactBuffer(tomasLee),CompactBuffer(hex))))

21)  cache / persist

cache是特殊的persist，只在内存中对RDD的结果进行保存（一旦关掉就没有了）。

val rdd = sc.makeRDD(1 to 10).map(e=>(println(e);e))

rdd.collect

rdd.cache

rdd.collect

rdd.presist() == rdd.persist(StorageLevel.MEMORY_ONLY)

rdd.presist(org.apache.spark.storage.StorageLevel.DISK_ONLY)

22)  pipe

对每个分区执行shell命令

val r = sc.makeRDD(1 to 5).pipe(“echo hahah”).collect #hahah个数同分区数

val rdd18=sc.parallelize(1 to 9,3)

rdd18.pipe(“head -n 1”).collect #取每个分区的第一个数

23)  randomSplit

Val rdd19=rdd1.randomSplit(Array(0.3,0.7), 1)

rdd19(0).collect

rdd19(1).collect

24)  Zip

Val rdd21_1=sc.parallelize(Array(1,2,3,4), 3)

Val rdd21_2=sc.parallelize(Array(“a”,”b”,”c”,”d”), 3)

Val rdd21_3=rdd21_1.zip(rdd21_2)

将每个分区的所有元素放到一个数组中，形成RDD，RDD的每个元素是数组，数组长度等于分区个数

Val rdd = sc. parallelize(1 to 10, 4).glom().collect()

Array<array<1,2>, array<3,4,5>,array<6,7>,array<8,9,10>>

25)  keyBy

将rdd的元素和一个变换之后的值组合形成元组

val rdd = sc.makeRDD(1 to 10)

rdd.keyBy(_ * 2).collect

Array[(Int, Int)] = Array((2,1), (4,2), (6,3), (8,4), (10,5), (12,6), (14,7), (16,8), (18,9), (20,10))

26)  max | min | mean

Rdd.max

27)  repartitionAndSortWithinPartitions

通过指定分区函数实现再分区并在分区内排序

二、RDD行动操作（会立即执行，返回数组）

1)     reduce

val rdd1=sc.parallelize(1 to 9, 3)

val rdd2=rdd1.reduce(_+_)

2)     collect

3)     count

4)     first

5)     take

6)     takesample

类似于sample，但takeSample是行动操作，所以返回的是数组

Rdd1.takeSample(true, 4)

7)     takeOrdered

takeOrdered(n, [ordering])是返回包含随机的n个元素的数组，按照顺序输出

8）SaveAsTextFile

把数据集中的元素写到一个文本文件，Spark会对每个元素调用toString方法来把每个元素存成文本文件的一行。

r.saveAsTextFile(“/home/centos/aa”)

cd aa/

find .

ll

nano part-0000

9)     saveAsSequenceFile

r.map(w=>(w,1)).saveAsSequenceFile(“home/centos/bb”)

cd bb/

ls

hdfs dfs -text file:///home/centos/bb/part-00000

10）countByKey

对于(k,v)类型的RDD，返回一个（k,int）的map, int为k的个数。

Val rdd =

sc.makeRDD(Array(1,”tom”),(2,”tomas”),(1,”tomasLee”))).countByKey.foreach(e=>println(e))

结果 （1,2）

（2,1）

11）foreach

Foreach(func)是对数据集中的每个元素都执行func函数