spark RDD编程，scala版本

1.RDD介绍：

    RDD，弹性分布式数据集，即分布式的元素集合。在spark中，对所有数据的操作不外乎是创建RDD、转化已有的RDD以及调用RDD操作进行求值。在这一切的背后，Spark会自动将RDD中的数据分发到集群中，并将操作并行化。

    Spark中的RDD就是一个不可变的分布式对象集合。每个RDD都被分为多个分区，这些分区运行在集群中的不同节点上。RDD可以包含Python，Java，Scala中任意类型的对象，甚至可以包含用户自定义的对象。

    用户可以使用两种方法创建RDD：读取一个外部数据集，或在驱动器程序中分发驱动器程序中的对象集合，比如list或者set。

    RDD的转化操作都是惰性求值的，这意味着我们对RDD调用转化操作，操作不会立即执行。相反，Spark会在内部记录下所要求执行的操作的相关信息。我们不应该把RDD看做存放着特定数据的数据集，而最好把每个RDD当做我们通过转化操作构建出来的、记录如何计算数据的指令列表。数据读取到RDD中的操作也是惰性的，数据只会在必要时读取。转化操作和读取操作都有可能多次执行。

2.创建RDD数据集

    （1）读取一个外部数据集

val input=sc.textFile(inputFileDir)

    （2）分发对象集合，这里以list为例

val lines =sc.parallelize(List("hello world","this is a test"));

3.RDD操作

（1）转化操作

    实现过滤器转化操作：

val lines =sc.parallelize(List("error:a","error:b","error:c","test"));
val errors=lines.filter(line => line.contains("error"));
errors.collect().foreach(println);

输出：

error:a

error:b

error:c

可见，列表list中包含词语error的表项都被正确的过滤出来了。

（2）合并操作

将两个RDD数据集合并为一个RDD数据集

接上述程序示例：

val lines =sc.parallelize(List("error:a","error:b","error:c","test","warnings:a"));
val errors=lines.filter(line => line.contains("error"));
val warnings =lines.filter(line => line.contains("warnings"));
val unionLines =errors.union(warnings);
unionLines.collect().foreach(println);

输出：

error:a

error:b

error:c

warning:a

可见，将原始列表项中的所有error项和warning项都过滤出来了。

（3）获取RDD数据集中的部分或者全部元素

①获取RDD数据集中的部分元素   .take(int num)  返回值List<T>   

获取RDD数据集中的前num项。

/**
 * Take the first num elements of the RDD. This currently scans the partitions *one by one*, so
 * it will be slow if a lot of partitions are required. In that case, use collect() to get the
 * whole RDD instead.
 */
def take(num: Int): JList[T] 

程序示例：接上

unionLines.take(2).foreach(println);

输出：

error:a

error:b

可见，输出了RDD数据集unionLines的前2项

②获取RDD数据集中的全部元素 .collect() 返回值 List<T>

程序示例：

val all =unionLines.collect();
all.foreach(println);

遍历输出RDD数据集unionLines的每一项

4.向spark传递函数

    在scala中，我们可以把定义的内联函数、方法的引用或静态方法传递给Spark，就像Scala的其他函数式API一样。我们还要考虑其他一些细节，必须所传递的函数及其引用的数据需要是可序列化的（实现了Java的Serializable接口）。除此之外，与Python类似，传递一个对象的方法或者字段时，会包含对整个对象的引用。我们可以把需要的字段放在一个局部变量中，来避免包含该字段的整个对象。

class searchFunctions (val query:String){
  def isMatch(s: String): Boolean = {
    s.contains(query)
  }
  def getMatchFunctionReference(rdd: RDD[String]) :RDD[String]={
    //问题： isMach表示 this.isMatch ,因此我们需要传递整个this
    rdd.filter(isMatch)
  }
  def getMatchesFunctionReference(rdd: RDD[String]) :RDD[String] ={
    //问题： query表示 this.query ,因此我们需要传递整个this
    rdd.flatMap(line => line.split(query))
  }
  def getMatchesNoReference(rdd:RDD[String]):RDD[String] ={
    //安全，只把我们需要的字段拿出来放入局部变量之中
    val query1=this.query;
    rdd.flatMap(x =>x.split(query1)
    )
  }

}

5.针对每个元素的转化操作：

    转化操作map()接收一个函数，把这个函数用于RDD中的每个元素，将函数的返回结果作为结果RDD中对应的元素。关键词：转化

    转化操作filter()接受一个函数，并将RDD中满足该函数的元素放入新的RDD中返回。关键词：过滤

示例图如下所示：

①map()

计算RDD中各值的平方

val rdd=sc.parallelize(List(1,2,3,4));
val result=rdd.map(value => value*value);
println(result.collect().mkString(","));

输出：

1,4,9,16

filter()

② 去除RDD集合中值为1的元素：

val rdd=sc.parallelize(List(1,2,3,4));
val result=rdd.filter(value => value!=1);
println(result.collect().mkString(","));

结果：

2,3,4

我们也可以采取传递函数的方式，就像这样：

函数：

def filterFunction(value:Int):Boolean ={
 value!=1
}

使用：

val rdd=sc.parallelize(List(1,2,3,4));
val result=rdd.filter(filterFunction);
println(result.collect().mkString(","));

③ 有时候，我们希望对每个输入元素生成多个输出元素。实现该功能的操作叫做flatMap()。和map()类似，我们提供给flatMap()的函数被分别应用到了输入的RDD的每个元素上。不过返回的不是一个元素，而是一个返回值序列的迭代器。输出的RDD倒不是由迭代器组成的。我们得到的是一个包含各个迭代器可以访问的所有元素的RDD。flatMap()的一个简单用途是将输入的字符串切分成单词，如下所示： 

val rdd=sc.parallelize(List("Hello world","hello you","world i love you"));
val result=rdd.flatMap(line => line.split(" "));
println(result.collect().mkString("\n"));

输出：

hello

world

hello

you

world

i

love

you

6.集合操作

RDD中的集合操作

函数	用途
RDD1.distinct()	生成一个只包含不同元素的新RDD。需要数据混洗。
RDD1.union(RDD2)	返回一个包含两个RDD中所有元素的RDD
RDD1.intersection(RDD2)	只返回两个RDD中都有的元素
RDD1.substr(RDD2)	返回一个只存在于第一个RDD而不存在于第二个RDD中的所有元素组成的RDD。需要数据混洗。

集合操作对笛卡尔集的处理：

RDD1.cartesian(RDD2)

返回两个RDD数据集的笛卡尔集

程序示例：生成RDD集合{1,2} 和{1,2}的笛卡尔集

val rdd1=sc.parallelize(List(1,2));
val rdd2=sc.parallelize(List(1,2));
val rdd=rdd1.cartesian(rdd2);
println(rdd.collect().mkString("\n"));

输出：

(1,1)

(1,2)

(2,1)

(2,2)

7.行动操作

(1)reduce操作

    reduce()接收一个函数作为参数，这个函数要操作两个RDD的元素类型的数据并返回一个同样类型的新元素。一个简单的例子就是函数+，可以用它来对我们的RDD进行累加。使用reduce(),可以很方便地计算出RDD中所有元素的总和，元素的个数，以及其他类型的聚合操作。

    以下是求RDD数据集所有元素和的程序示例：

val rdd=sc.parallelize(List(1,2,3,4,5,6,7,8,9,10));
val results=rdd.reduce((x,y) =>x+y);
println(results);

输出：55

(2)fold()操作

    接收一个与reduce()接收的函数签名相同的函数，再加上一个初始值来作为每个分区第一次调用时的结果。你所提供的初始值应当是你提供的操作的单位元素，也就是说，使用你的函数对这个初始值进行多次计算不会改变结果（例如+对应的0，*对应的1，或者拼接操作对应的空列表）。

    程序实例：

①计算RDD数据集中所有元素的和：

zeroValue=0;//求和时，初始值为0。

val rdd=sc.parallelize(List(1,2,3,4,5,6,7,8,9,10));
val results=rdd.fold(0)((x,y) =>x+y);
println(results);

②计算RDD数据集中所有元素的积：

zeroValue=1；//求积时，初始值为1。

val rdd=sc.parallelize(List(1,2,3,4,5,6,7,8,9,10));
val results=rdd.fold(1)((x,y) =>x*y);
println(results);

(3)aggregate()操作

    aggregate()函数返回值类型不必与所操作的RDD类型相同。

    与fold()类似，使用aggregate()时，需要提供我们期待返回的类型的初始值。然后通过一个函数把RDD中的元素合并起来放入累加器。考虑到每个节点是在本地进行累加的，最终，还需要提供第二个函数来将累加器两两合并。

以下是程序实例：

val rdd=sc.parallelize(List(1,2,3,4,5,6,7,8,9,10));
val result=rdd.aggregate((0,0))(
  (acc,value) =>(acc._1+value,acc._2+1),
  (acc1,acc2) => (acc1._1+acc2._1, acc1._2+acc2._2)
)
val average=result._1/result._2;
println(average)

输出：5

    最终返回的是一个Tuple2<int,int>对象， 他被初始化为(0,0),当遇到一个int值时，将该int数的值加到Tuple2对象的_1中，并将_2值加1，如果遇到一个Tuple2对象时，将这个Tuple2的_1和_2的值归并到最终返回的Tuple2值中去。

表格：对一个数据为{1,2,3,3}的RDD进行基本的RDD行动操作

函数名	目的	示例	结果
collect()	返回RDD的所有元素	rdd.collect()	{1,2,3,3}
count()	RDD的元素个数	rdd.count()	4
countByValue()	各元素在RDD中出现的次数	rdd.countByValue()	{(1,1), (2,1), (3,2) }
take(num)	从RDD中返回num个元素	rdd.take(2)	{1,2}
top(num)	从RDD中返回最前面的num个元素	rdd.takeOrdered(2)(myOrdering)	{3,3}
takeOrdered(num) (ordering)	从RDD中按照提供的顺序返回最前面的num个元素	rdd.takeSample(false,1)	非确定的
takeSample(withReplacement,num,[seed])	从RDD中返回任意一些元素	rdd.takeSample(false,1)	非确定的
reduce(func)	并行整合RDD中所有数据	rdd.reduce((x,y) => x+y)	9
fold(zero)(func)	和reduce()一样，但是需要提供初始值	rdd.fold(0)((x,y) => x+y)	9
aggregate(zeroValue)(seqOp,combOp)	和reduce()相似，但是通常返回不同类型的函数	rdd.aggregate((0,0)) ((x,y) =>  (x._1+y,x._2+1),  (x,y)=> (x._1+y._1,x._2+y._2) )	(9,4)
foreach(func)	对RDD中的每个元素使用给定的函数	rdd.foreach(func)	无

8.持久化缓存

    因为Spark RDD是惰性求值的，而有时我们希望能多次使用同一个RDD。如果简单地对RDD调用行动操作，Spark每次都会重算RDD以及它的所有依赖。这在迭代算法中消耗格外大，因为迭代算法常常会多次使用同一组数据。

    为了避免多次计算同一个RDD，可以让Spark对数据进行持久化。当我们让Spark持久化存储一个RDD时，计算出RDD的节点会分别保存它们所求出的分区数据。

    出于不同的目的，我们可以为RDD选择不同的持久化级别。默认情况下persist()会把数据以序列化的形式缓存在JVM的堆空间中

                                                        不同关键字对应的存储级别表

级别	使用的空间	cpu时间	是否在内存	是否在磁盘	备注
MEMORY_ONLY	高	低	是	否	直接储存在内存
MEMORY_ONLY_SER	低	高	是	否	序列化后储存在内存里
MEMORY_AND_DISK	低	中等	部分	部分	如果数据在内存中放不下，溢写在磁盘上
MEMORY_AND_DISK_SER	低	高	部分	部分	数据在内存中放不下，溢写在磁盘中。内存中存放序列化的数据。
DISK_ONLY	低	高	否	是	直接储存在硬盘里面

程序示例：将RDD数据集持久化在内存中。

val rdd=sc.parallelize(List(1,2,3,4,5,6,7,8,9,10)).persist(StorageLevel.MEMORY_ONLY);
println(rdd.count())
println(rdd.collect().mkString(","));

RDD还有unpersist()方法，调用该方法可以手动把持久化的RDD从缓存中移除。

9.不同的RDD类型

  在scala中，将RDD转为由特定函数的RDD（比如在RDD[Double]上进行数值操作），是由隐式转换来自动处理的。这些隐式转换可以隐式地将一个RDD转为各种封装类，比如DoubleRDDFunctions（数值数据的RDD）和PairRDDFunctions(键值对RDD),这样我们就有了诸如mean()和variance()之类的额外的函数。

示例程序：

val rdd=sc.parallelize(List(1.0,2.0,3.0,4.0,5.0));
println(rdd.mean());

其实RDD[T]中并没有mean()函数，只是隐式转换自动将其转换为DoubleRDDFunctions。

来自为知笔记(Wiz)