Spark RDD API具体解释(一) Map和Reduce

本文由cmd markdown编辑。原始链接：https://www.zybuluo.com/jewes/note/35032

RDD是什么？

RDD是Spark中的抽象数据结构类型，不论什么数据在Spark中都被表示为RDD。从编程的角度来看。RDD能够简单看成是一个数组。和普通数组的差别是。RDD中的数据是分区存储的，这样不同分区的数据就能够分布在不同的机器上。同一时候能够被并行处理。因此。Spark应用程序所做的无非是把须要处理的数据转换为RDD。然后对RDD进行一系列的变换和操作从而得到结果。本文为第一部分，将介绍Spark RDD中与Map和Reduce相关的API中。

怎样创建RDD？

RDD能够从普通数组创建出来。也能够从文件系统或者HDFS中的文件创建出来。

举例：从普通数组创建RDD。里面包括了1到9这9个数字，它们分别在3个分区中。

scala> val a = sc.parallelize(1 to 9, 3)
a: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[1] at parallelize at <console>:12

举例：读取文件README.md来创建RDD，文件里的每一行就是RDD中的一个元素

scala> val b = sc.textFile("README.md")
b: org.apache.spark.rdd.RDD[String] = MappedRDD[3] at textFile at <console>:12

尽管还有别的方式能够创建RDD，但在本文中我们主要使用上述两种方式来创建RDD以说明RDD的API。

map

map是对RDD中的每一个元素都运行一个指定的函数来产生一个新的RDD。不论什么原RDD中的元素在新RDD中都有且仅仅有一个元素与之相应。

举例：

scala> val a = sc.parallelize(1 to 9, 3)
scala> val b = a.map(x => x*2)
scala> a.collect
res10: Array[Int] = Array(1, 2, 3, 4, 5, 6, 7, 8, 9)
scala> b.collect
res11: Array[Int] = Array(2, 4, 6, 8, 10, 12, 14, 16, 18)

上述样例中把原RDD中每一个元素都乘以2来产生一个新的RDD。

mapPartitions

mapPartitions是map的一个变种。

map的输入函数是应用于RDD中每一个元素，而mapPartitions的输入函数是应用于每一个分区。也就是把每一个分区中的内容作为总体来处理的。

它的函数定义为：

def mapPartitions[U: ClassTag](f: Iterator[T] => Iterator[U], preservesPartitioning: Boolean = false): RDD[U]

f即为输入函数，它处理每一个分区里面的内容。每一个分区中的内容将以Iterator[T]传递给输入函数f，f的输出结果是Iterator[U]。

终于的RDD由全部分区经过输入函数处理后的结果合并起来的。

举例：

scala> val a = sc.parallelize(1 to 9, 3)
scala> def myfunc[T](iter: Iterator[T]) : Iterator[(T, T)] = {
    var res = List[(T, T)]()
    var pre = iter.next while (iter.hasNext) {
        val cur = iter.next;
        res .::= (pre, cur) pre = cur;
    }
    res.iterator
}
scala> a.mapPartitions(myfunc).collect
res0: Array[(Int, Int)] = Array((2,3), (1,2), (5,6), (4,5), (8,9), (7,8))

上述样例中的函数myfunc是把分区中一个元素和它的下一个元素组成一个Tuple。由于分区中最后一个元素没有下一个元素了，所以(3,4)和(6,7)不在结果中。

mapPartitions还有些变种，比方mapPartitionsWithContext。它能把处理过程中的一些状态信息传递给用户指定的输入函数。

还有mapPartitionsWithIndex。它能把分区的index传递给用户指定的输入函数。

mapValues

mapValues顾名思义就是输入函数应用于RDD中Kev-Value的Value，原RDD中的Key保持不变。与新的Value一起组成新的RDD中的元素。因此，该函数仅仅适用于元素为KV对的RDD。

举例：

scala> val a = sc.parallelize(List("dog", "tiger", "lion", "cat", "panther", " eagle"), 2)
scala> val b = a.map(x => (x.length, x))
scala> b.mapValues("x" + _ + "x").collect
res5: Array[(Int, String)] = Array((3,xdogx), (5,xtigerx), (4,xlionx),(3,xcatx), (7,xpantherx), (5,xeaglex))

mapWith

mapWith是map的另外一个变种，map仅仅须要一个输入函数，而mapWith有两个输入函数。它的定义例如以下：

def mapWith[A: ClassTag, U: ](constructA: Int => A, preservesPartitioning: Boolean = false)(f: (T, A) => U): RDD[U]

• 第一个函数constructA是把RDD的partition index（index从0開始）作为输入，输出为新类型A。
• 第二个函数f是把二元组(T, A)作为输入（当中T为原RDD中的元素，A为第一个函数的输出）。输出类型为U。

举例：把partition index 乘以10，然后加上2作为新的RDD的元素。

val x = sc.parallelize(List(1,2,3,4,5,6,7,8,9,10), 3)
x.mapWith(a => a * 10)((a, b) => (b + 2)).collect
res4: Array[Int] = Array(2, 2, 2, 12, 12, 12, 22, 22, 22, 22)

flatMap

与map类似，差别是原RDD中的元素经map处理后仅仅能生成一个元素。而原RDD中的元素经flatmap处理后可生成多个元素来构建新RDD。

举例：对原RDD中的每一个元素x产生y个元素（从1到y，y为元素x的值）

scala> val a = sc.parallelize(1 to 4, 2)
scala> val b = a.flatMap(x => 1 to x)
scala> b.collect
res12: Array[Int] = Array(1, 1, 2, 1, 2, 3, 1, 2, 3, 4)

flatMapWith

flatMapWith与mapWith非常类似。都是接收两个函数，一个函数把partitionIndex作为输入，输出是一个新类型A。另外一个函数是以二元组（T,A）作为输入，输出为一个序列。这些序列里面的元素组成了新的RDD。它的定义例如以下：

def flatMapWith[A: ClassTag, U: ClassTag](constructA: Int => A, preservesPartitioning: Boolean = false)(f: (T, A) => Seq[U]): RDD[U]

举例：

scala> val a = sc.parallelize(List(1,2,3,4,5,6,7,8,9), 3)
scala> a.flatMapWith(x => x, true)((x, y) => List(y, x)).collect
res58: Array[Int] = Array(0, 1, 0, 2, 0, 3, 1, 4, 1, 5, 1, 6, 2, 7, 2,
8, 2, 9)

flatMapValues

flatMapValues类似于mapValues，不同的在于flatMapValues应用于元素为KV对的RDD中Value。每一个一元素的Value被输入函数映射为一系列的值。然后这些值再与原RDD中的Key组成一系列新的KV对。

举例

scala> val a = sc.parallelize(List((1,2),(3,4),(3,6)))
scala> val b = a.flatMapValues(x=>x.to(5))
scala> b.collect
res3: Array[(Int, Int)] = Array((1,2), (1,3), (1,4), (1,5), (3,4), (3,5))

上述样例中原RDD中每一个元素的值被转换为一个序列（从其当前值到5），比方第一个KV对(1,2), 其值2被转换为2，3，4，5。

然后其再与原KV对中Key组成一系列新的KV对(1,2),(1,3),(1,4),(1,5)。

reduce

reduce将RDD中元素两两传递给输入函数。同一时候产生一个新的值，新产生的值与RDD中下一个元素再被传递给输入函数直到最后仅仅有一个值为止。

举例

scala> val c = sc.parallelize(1 to 10)
scala> c.reduce((x, y) => x + y)
res4: Int = 55

上述样例对RDD中的元素求和。

reduceByKey

顾名思义，reduceByKey就是对元素为KV对的RDD中Key同样的元素的Value进行reduce，因此。Key同样的多个元素的值被reduce为一个值。然后与原RDD中的Key组成一个新的KV对。

举例:

scala> val a = sc.parallelize(List((1,2),(3,4),(3,6)))
scala> a.reduceByKey((x,y) => x + y).collect
res7: Array[(Int, Int)] = Array((1,2), (3,10))

上述样例中，对Key同样的元素的值求和，因此Key为3的两个元素被转为了(3,10)。

Reference

本文中的部分样例来自:http://homepage.cs.latrobe.edu.au/zhe/ZhenHeSparkRDDAPIExamples.html