Spark中的各种action算子操作（java版）

在我看来，Spark编程中的action算子的作用就像一个触发器，用来触发之前的transformation算子。transformation操作具有懒加载的特性，你定义完操作之后并不会立即加载，只有当某个action的算子执行之后，前面所有的transformation算子才会全部执行。常用的action算子如下代码所列：（java版） 
package cn.spark.study.core;

import java.util.Arrays; 
import java.util.List; 
import java.util.Map;

import org.apache.spark.SparkConf; 
import org.apache.spark.api.java.JavaPairRDD; 
import org.apache.spark.api.java.JavaRDD; 
import org.apache.spark.api.java.JavaSparkContext; 
import org.apache.spark.api.java.function.Function; 
import org.apache.spark.api.java.function.Function2;

import scala.Tuple2;

/** 
* action操作实战 
* @author dd 
* 
*/ 
public class ActionOperation { 
public static void main(String[] args) { 
//reduceTest(); 
//collectTest(); 
//countTest(); 
//takeTest(); 
countByKeyTest(); 
}

 /**
  * reduce算子
  * 案例：求累加和
  */
 private static void reduceTest(){
     SparkConf conf = new SparkConf()
                     .setAppName("reduce")
                     .setMaster("local");
     JavaSparkContext sc = new JavaSparkContext(conf);

     List<Integer> numberList = Arrays.asList(1,2,3,4,5,6,7,8,9,10);

     JavaRDD<Integer> numbersRDD = sc.parallelize(numberList);

     //使用reduce操作对集合中的数字进行累加
     int sum = numbersRDD.reduce(new Function2<Integer, Integer, Integer>() {

         @Override
         public Integer call(Integer arg0, Integer arg1) throws Exception {
             return arg0+arg1;
         }
     });

     System.out.println(sum);

     sc.close();
 }

 /**
  * collect算子
  * 可以将集群上的数据拉取到本地进行遍历（不推荐使用）
  */
 private static void collectTest(){
     SparkConf conf = new SparkConf()
     .setAppName("collect")
     .setMaster("local");
     JavaSparkContext sc = new JavaSparkContext(conf);

     List<Integer> numberList = Arrays.asList(1,2,3,4,5,6,7,8,9,10);

     JavaRDD<Integer> numbersRDD = sc.parallelize(numberList);

     JavaRDD<Integer> doubleNumbers = numbersRDD.map(new Function<Integer, Integer>() {

         @Override
         public Integer call(Integer arg0) throws Exception {
             // TODO Auto-generated method stub
             return arg0*2;
         }
     });

     //foreach的action操作是在远程集群上遍历rdd中的元素，而collect操作是将在分布式集群上的rdd
     //数据拉取到本地，这种方式一般不建议使用，因为如果rdd中的数据量较大的话，比如超过一万条，那么性能会
     //比较差，因为要从远程走大量的网络传输，将数据获取到本地，有时还可能发生oom异常，内存溢出
     //所以还是推荐使用foreach操作来对最终的rdd进行处理
     List<Integer> doubleNumList = doubleNumbers.collect();
     for(Integer num : doubleNumList){
         System.out.println(num);
     }
     sc.close();
 }

 /**
  * count算子
  * 可以统计rdd中的元素个数
  */
 private static void countTest(){
     SparkConf conf = new SparkConf()
     .setAppName("count")
     .setMaster("local");
     JavaSparkContext sc = new JavaSparkContext(conf);

     List<Integer> numberList = Arrays.asList(1,2,3,4,5,6,7,8,9,10);

     JavaRDD<Integer> numbersRDD = sc.parallelize(numberList);

     //对rdd使用count操作统计rdd中元素的个数
     long count = numbersRDD.count();
     System.out.println(count);

     sc.close();
 }

 /**
  * take算子
  * 将远程rdd的前n个数据拉取到本地
  */
 private static void takeTest(){
     SparkConf conf = new SparkConf()
     .setAppName("take")
     .setMaster("local");
     JavaSparkContext sc = new JavaSparkContext(conf);

     List<Integer> numberList = Arrays.asList(1,2,3,4,5,6,7,8,9,10);

     JavaRDD<Integer> numbersRDD = sc.parallelize(numberList);

     //take操作与collect操作类似，也是从远程集群上获取rdd数据，但是，collect操作获取的是rdd的
     //所有数据，take获取的只是前n个数据
     List<Integer> top3number = numbersRDD.take(3);
     for(Integer num : top3number){
         System.out.println(num);
     }
     sc.close();
 }

 /**
  * saveAsTextFile算子
  *
  */
 private static void saveAsTExtFileTest(){
     SparkConf conf = new SparkConf()
     .setAppName("saveAsTextFile");

     JavaSparkContext sc = new JavaSparkContext(conf);

     List<Integer> numberList = Arrays.asList(1,2,3,4,5,6,7,8,9,10);

     JavaRDD<Integer> numbersRDD = sc.parallelize(numberList);

     JavaRDD<Integer> doubleNumbers = numbersRDD.map(new Function<Integer, Integer>() {

         @Override
         public Integer call(Integer arg0) throws Exception {
             // TODO Auto-generated method stub
             return arg0*2;
         }
     });

     //saveAsTextFile算子可以直接将rdd中的数据保存在hdfs中
     //但是我们在这里只能指定保存的文件夹也就是目录，那么实际上，会保存为目录中的
     //  /double_number.txt/part-00000文件
     doubleNumbers.saveAsTextFile("hdfs://spark1:9000/double_number.txt");

     sc.close();
 }

 /**
  * countByKey算子
  */

 private static void countByKeyTest(){
     SparkConf conf = new SparkConf()
     .setAppName("take")
     .setMaster("local");
     JavaSparkContext sc = new JavaSparkContext(conf);

     List<Tuple2<String, String>> studentsList = Arrays.asList(
             new Tuple2<String, String>("class1","leo"),
             new Tuple2<String, String>("class2","jack"),
             new Tuple2<String, String>("class1","marry"),
             new Tuple2<String, String>("class2","tom"),
             new Tuple2<String, String>("class2","david"));

     JavaPairRDD<String, String> studentsRDD = sc.parallelizePairs(studentsList);

     //countByKey算子可以统计每个key对应元素的个数
     //countByKey返回的类型直接就是Map<String,Object>

     Map<String, Object> studentsCounts = studentsRDD.countByKey();

     for(Map.Entry<String, Object> studentsCount : studentsCounts.entrySet()){
         System.out.println(studentsCount.getKey()+" : "+studentsCount.getValue());
     }
     sc.close();
 }

原文引自：http://blog.csdn.net/kongshuchen/article/details/51344124