spark 学习_rdd常用操作

【spark API 函数讲解 详细 】https://www.iteblog.com/archives/1399#reduceByKey

[重要API接口，全面 】 http://spark.apache.org/docs/1.1.1/api/python/pyspark.rdd.RDD-class.html

********

[广播变量】 http://www.csdn.net/article/1970-01-01/2824552

调用广播变量通过：a.value，广播变量可以用在定义的函数的内部。

lt15=sc.broadcast(lt13.collect())

def matrix(p):
    temp1=[p[0],p[1]]
    for i in lt15.value:
         if i in p[2]:
              temp1.append(1)
         else:
             temp1.append(0)
    return temp1

　　

#提交pyspark脚本到集群：（脚本放在本地服务器上,需要是当前路径）

spark-submit --master yarn-cluster --executor-memory 5g --num-executors 50 特征工程最终版本.py

#下面这种方法尚未试过

spark-submit --name ${mainClassName} --driver-memory ${driverMemory} --conf spark.akka.frameSize=100

--conf "spark.executor.extraJavaOptions=-XX:+UseConcMarkSweepGC -XX:+PrintGCDetails -XX:+PrintGCTimeStamps"

--num-executors ${numExecutors} --executor-memory ${executorMemory} --master yarn-cluster ${jarPath}

#提交sql脚本

./bin/spark-sql --master yarn --num-executors 3 --executor-memory 15g --executor-cores 4  -f /home/etl/script/gailunlfile/user_keep_info.sql

 #######==========*******

0、官方文档：http://spark.apache.org/docs/latest/ml-guide.html

1、http://itindex.net/detail/52732-spark-编程-笔记

spark RDD格式数据集转换：http://blog.csdn.net/chenjieit619/article/details/52861940

对RDD操作的各接口解释： http://www.360doc.com/content/16/0819/12/16883405_584310256.shtml

[Spark与Pandas中DataFrame的详细对比] http://blog.csdn.net/bitcarmanlee/article/details/52002225

1、在hadoop 中输入 pyspark 进入python开发环境；输入spark-shell 进去scala编程环境

2、scala> val r2=sc.textFile("1.txt") 把源数据转换为RDD格式

r2.first() 查看第一条数据

r2.take(5) 查看前5条数据

3、

4、spark 从labelPoint数据中筛选出符合标签值得数据组合成新的labelpoint数据

==============================

def parsePoint(line):       #把rdd数据转换成Labelpoint 格式数据
      values=[float(x) for x in line.split('\t')]
      return LabeledPoint(values[0],values[1:])

================================

def filterPoint(p):    #筛选labelpoint数据，符合条件的留下，不符合条件的删除，返回一个新的labelpoint数据
     if(p.label == 0):
            return LabeledPoint(p.label,p.features)
     else:
            None

===================================

data1=sc.textFile('hdfs://getui-bi-hadoop/user/zhujx/1029_IOS_features_sex')

parsedata=data1.map(parsePoint) #调用函数，将数据转化为LabeledPoint 格式

bb=parsedata.filter(filterPoint)     #调用函数，筛选出符合条件的数据，返回的还是labelpoint格式数据，不符合的数据已经被删掉了

数据集bb就可以带入模型了

===================================

抽样语句：

splitdata=parsedata.randomSplit((0.8,0.2))

traindata=splitdata[0]

testdata=splitdata[1]

********************************

下面是在python中对RDD的生成，以及一些基本的Transformation，Action操作。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71

# -*- coding:utf-8 -*- from pyspark import SparkContext, SparkConf from pyspark.streaming import StreamingContext import math appName ="jhl_spark_1" #你的应用程序名称 master= "local"#设置单机 conf = SparkConf().setAppName(appName).setMaster(master)#配置SparkContext sc = SparkContext(conf=conf)   # parallelize：并行化数据，转化为RDD data = [1, 2, 3, 4, 5] distData = sc.parallelize(data, numSlices=10)  # numSlices为分块数目，根据集群数进行分块   # textFile读取外部数据 rdd = sc.textFile("./c2.txt")  # 以行为单位读取外部文件，并转化为RDD print rdd.collect()   # map：迭代，对数据集中数据进行单独操作 def my_add(l):     return (l,l) data = [1, 2, 3, 4, 5] distData = sc.parallelize(data)  # 并行化数据集 result = distData.map(my_add) print (result.collect())  # 返回一个分布数据集     # filter：过滤数据 def my_add(l):     result = False     if l > 2:         result = True     return result data = [1, 2, 3, 4, 5] distData = sc.parallelize(data)#并行化数据集，分片 result = distData.filter(my_add) print (result.collect())#返回一个分布数据集   # zip：将两个RDD对应元素组合为元组 x = sc.parallelize(range(0,5)) y = sc.parallelize(range(1000, 1005)) print x.zip(y).collect()     #union 组合两个RDD print x.union(x).collect() # Aciton操作   # collect：返回RDD中的数据 rdd = sc.parallelize(range(1, 10)) print rdd print rdd.collect()   # collectAsMap:以rdd元素为元组，以元组中一个元素作为索引返回RDD中的数据 m = sc.parallelize([('a', 2), (3, 4)]).collectAsMap() print m['a'] print m[3]   # groupby函数：根据提供的方法为RDD分组： rdd = sc.parallelize([1, 1, 2, 3, 5, 8]) def fun(i):     return i % 2 result = rdd.groupBy(fun).collect() print [(x, sorted(y)) for (x, y) in result]   # reduce：对数据集进行运算 rdd = sc.parallelize(range(1, 10)) result = rdd.reduce(lambda a, b: a + b) print result

　　

　除上述以外，对RDD还存在一些常见数据操作如：

name()返回rdd的名称

min()返回rdd中的最小值

sum()叠加rdd中所有元素

take（n）取rdd中前n个元素

count（）返回rdd的元素个数