Spark学习笔记之RDD中的Transformation和Action函数

　　总算可以开始写第一篇技术博客了，就从学习Spark开始吧。之前阅读了很多关于Spark的文章，对Spark的工作机制及编程模型有了一定了解，下面把Spark中对RDD的常用操作函数做一下总结，以pyspark库为例。

　　RDD 的操作函数(operation)主要分为2种类型 Transformation 和 Action，如下图：

　　

　　Transformation 操作不是马上提交 Spark 集群执行的,Spark 在遇到 Transformation 操作时只会记录需要这样的操作,并不会去执行,需要等到有 Action 操作的时候才会真正启动计算过程进行计算.针对每个 Action,Spark 会生成一个 Job, 从数据的创建开始,经过 Transformation, 结尾是 Action 操作.这些操作对应形成一个有向无环图(DAG),形成 DAG 的先决条件是最后的函数操作是一个Action.

　　

---

Transformation：

map(f, preservesPartitioning=False)：将一个函数应用到这个RDD的每个element上，返回一个新的RDD。下面例子将rdd中每个element复制两遍：

 from pyspark import SparkContext

 sc = SparkContext('local', 'test')

 rdd = sc.parallelize(['a', 'b', 'c'])

 rdd.map(lambda x: x*2).collect()

 Out: ['aa', 'bb', 'cc']

filter(f)：返回仅包含满足应用到element函数的新RDD。下面例子将过滤出rdd中的偶数：

 rdd = sc.parallelize([1, 2, 3, 4])

 rdd.filter(lambda x: x%2 == 0).collect()

 Out: [2, 4]

flatMap(f, preservesPartitioning=False)：返回一个新的RDD，首先将一个函数应用到这个RDD的所有element上，注意返回的是多个结果。

 rdd.flatMap(lambda x: range(1, x)).collect()

 Out: [1, 1, 2, 1, 2, 3]

mapPartitions(f, preservesPartitioning=False)：通过将一个函数应用到这个RDD的每个partition上，返回一个新的RDD。

 rdd = sc.parallelize([1, 2, 3, 4], 2)

 def f(iterator): yield sum(iterator)

 rdd.mapPartitions(f).collect()
 Out：[3, 7]

mapPartitionsWithIndex(f, preservesPartitioning=False)：通过在RDD的每个partition上应用一个函数来返回一个新的RDD，同时跟踪原始partition的索引。下面例子返回索引和：

 rdd = sc.parallelize([1, 2, 3, 4], 4)

 def f(splitIndex, iterator): yield splitIndex

 rdd.mapPartitionsWithIndex(f).sum()

 Out：6

sample(withReplacement, fraction, seed=None)：根据给定的随机种子seed，随机抽样出数量为frac的数据，返回RDD。

 rdd = sc.parallelize(range(100), 4)

 rdd.sample(False, 0.2, 10).count()

 Out: 21

union(other)：返回两个RDD的并集。

 rdd = sc.parallelize([1, 1, 2, 3])

 rdd.union(rdd).collect()

 Out: [1, 1, 2, 3, 1, 1, 2, 3]

distinct(numPartitions=None)：类似于python中的set()，返回不重复的元素集合。

 sc.parallelize([1, 1, 2, 3]).distinct().collect()

 Out：[1, 2, 3]

groupByKey(numPartitions=None, partitionFunc=<function portable_hash>)：在一个由（K,V）对组成的数据集上调用，返回一个（K，Seq[V])对的数据集。注意：默认情况下，使用8个并行任务进行分组，你可以传入numTask可选参数，根据数据量设置不同数目的Task。

>>> rdd = sc.parallelize([("a", 1), ("b", 1), ("a", 1)])
>>> sorted(rdd.groupByKey().mapValues(len).collect())
[('a', 2), ('b', 1)]
>>> sorted(rdd.groupByKey().mapValues(list).collect())
[('a', [1, 1]), ('b', [1])]

reduceByKey(func, numPartitions=None, partitionFunc=<function portable_hash>)：在一个（K，V)对的数据集上使用，返回一个（K，V）对的数据集，key相同的值，都被使用指定的reduce函数聚合到一起。和groupbykey类似，任务的个数是可以通过第二个可选参数来配置的。

>>> from operator import add
>>> rdd = sc.parallelize([("a", 1), ("b", 1), ("a", 1)])
>>> sorted(rdd.reduceByKey(add).collect())
[('a', 2), ('b', 1)]

sortByKey(ascending=True, numPartitions=None, keyfunc=<function RDD.<lambda>>)：按照key来进行排序，是升序还是降序，ascending是boolean类型

 >>> tmp = [('a', 1), ('b', 2), ('', 3), ('d', 4), ('', 5)]
 >>> sc.parallelize(tmp).sortByKey().first()
 ('', 3)
 >>> sc.parallelize(tmp).sortByKey(True, 1).collect()
 [('', 3), ('', 5), ('a', 1), ('b', 2), ('d', 4)]
 >>> sc.parallelize(tmp).sortByKey(True, 2).collect()
 [('', 3), ('', 5), ('a', 1), ('b', 2), ('d', 4)]
 >>> tmp2 = [('Mary', 1), ('had', 2), ('a', 3), ('little', 4), ('lamb', 5)]
 >>> tmp2.extend([('whose', 6), ('fleece', 7), ('was', 8), ('white', 9)])
 >>> sc.parallelize(tmp2).sortByKey(True, 3, keyfunc=lambda k: k.lower()).collect()
 [('a', 3), ('fleece', 7), ('had', 2), ('lamb', 5),...('white', 9), ('whose', 6)]

join(other, numPartitions=None)：在类型为（K,V)和（K,W)类型的数据集上调用，返回一个（K,(V,W))对，每个key中的所有元素都在一起的数据集。默认为inner join

>>> x = sc.parallelize([("a", 1), ("b", 4)])
>>> y = sc.parallelize([("a", 2), ("a", 3)])
>>> sorted(x.join(y).collect())
[('a', (1, 2)), ('a', (1, 3))]

cogroup(other, numPartitions=None)：当有两个KV的dataset(K,V)和(K,W)，返回的是(K,Seq[V],Seq[W])的dataset，即outer join

>>> x = sc.parallelize([("a", 1), ("b", 4)])
>>> y = sc.parallelize([("a", 2)])
>>> [(x, tuple(map(list, y))) for x, y in sorted(list(x.cogroup(y).collect()))]
[('a', ([1], [2])), ('b', ([4], []))]

cartesian(other)：笛卡尔积。但在数据集T和U上调用时，返回一个(T，U）对的数据集，所有元素交互进行笛卡尔积。

>>> rdd = sc.parallelize([1, 2])
>>> sorted(rdd.cartesian(rdd).collect())
[(1, 1), (1, 2), (2, 1), (2, 2)]

---

Action：

reduce(f)：说白了就是聚集，但是传入的函数是两个参数输入返回一个值，这个函数必须是满足交换律和结合律的

>>> from operator import add
>>> sc.parallelize([1, 2, 3, 4, 5]).reduce(add)
15
>>> sc.parallelize((2 for _ in range(10))).map(lambda x: 1).cache().reduce(add)
10
>>> sc.parallelize([]).reduce(add)
Traceback (most recent call last):
    ...
ValueError: Can not reduce() empty RDD

collect():一般在filter或者足够小的结果的时候，再用collect封装返回一个数组

count():返回的是dataset中的element的个数

first():返回的是dataset中的第一个元素

take(n):返回一个数组，由数据集的前n个元素组成。注意，这个操作目前并非在多个节点上，并行执行，而是Driver程序所在机器，单机计算所有的元素(Gateway的内存压力会增大，需要谨慎使用）

>>> sc.parallelize([2, 3, 4, 5, 6]).cache().take(2)
[2, 3]
>>> sc.parallelize([2, 3, 4, 5, 6]).take(10)
[2, 3, 4, 5, 6]
>>> sc.parallelize(range(100), 100).filter(lambda x: x > 90).take(3)
[91, 92, 93]

takeSample(withReplacement, num, seed=None):抽样返回一个dataset中的num个元素，随机种子seed

>>> rdd = sc.parallelize(range(0, 10))
>>> len(rdd.takeSample(True, 20, 1))
20
>>> len(rdd.takeSample(False, 5, 2))
5
>>> len(rdd.takeSample(False, 15, 3))
10

saveAsTextFile(path, compressionCodecClass=None):将数据集的元素，以textfile的形式，保存到本地文件系统，hdfs或者任何其它hadoop支持的文件系统。Spark将会调用每个元素的toString方法，并将它转换为文件中的一行文本

saveAsSequenceFile(path, compressionCodecClass=None):将数据集的元素，以sequencefile的格式，保存到指定的目录下，本地系统，hdfs或者任何其它hadoop支持的文件系统。RDD的元素必须由key-value对组成，并都实现了Hadoop的Writable接口，或隐式可以转换为Writable（Spark包括了基本类型的转换，例如Int，Double，String等等）

countByKey():返回的是key对应的个数的一个map，作用于一个RDD

>>> rdd = sc.parallelize([("a", 1), ("b", 1), ("a", 1)])
>>> sorted(rdd.countByKey().items())
[('a', 2), ('b', 1)]

foreach(f):在数据集的每一个元素上，运行函数func。这通常用于更新一个累加器变量，或者和外部存储系统做交互

>>> def f(x): print(x)
>>> sc.parallelize([1, 2, 3, 4, 5]).foreach(f)