2. RDD(弹性分布式数据集Resilient Distributed dataset)

*以下内容由《Spark快速大数据分析》整理所得。

读书笔记的第二部分是讲RDD。RDD 其实就是分布式的元素集合。在 Spark 中，对数据的所有操作不外乎创建RDD、转化已有RDD以及调用RDD操作进行求值。而在这一切背后，Spark 会自动将RDD中的数据分发到集群上，并将操作并行化执行。

一、创建RDD

二、操作RDD

1. 普通RDD转化操作

2. Pair RDD转化操作

3. 普通RDD行动操作

4. Pair RDD行动操作

---

一、创建RDD

创建RDD两种方式：

(1) 读取外部数据集：例如读取字符串 lines=sc.textFile("/path/to/README.md")

(2) 在驱动器程序中对一个集合进行并行化（适用于开发原型和测试，用的不多，因为会将数据先存入内存中）： lines=sc.parallelize(["pandas","i like pandas"])

---

二、操作RDD

RDD支持两种类型的操作：转化操作（transformation）和行动操作（action）。

• 转化操作：由一个RDD生成一个新的RDD。
• 行动操作：对RDD计算出结果。

转化出的RDD是惰性求值的，只有在行动操作中用到这些RDD才会被计算。

为了更好解释RDD操作，我们先走一遍Spark程序或shell会话就行了：

# step1: 从外部数据创建出输入RDD
lines = sc.textFile("README.md")

# step2: 使用如filter()这样的转化操作对RDD进行转化，以定义新的RDD
pythonLines = lines.filter(lambda line: "Python" in line)

# step3: 告诉Spark对需要被重用的中间结果RDD执行persist()操作
# 注：RDD.persist()：让Spark把这个RDD缓存下来，使得在多个行动操作中能重用同一个RDD。
pythonLines.persist()

# step4: 使用行动操作（如count()和first()等）来触发一次并行计算，Spark会对计算进行优化后再执行。
pythonLines.count()
或
pythonLines.first()

1. 普通RDD转化操作：

(1.1) map: 用于RDD每个函数，返回结果作为RDD中对应的值。

# 计算RDD中各值的平方
nums = sc.parallelize([1,2,3,4]) # 创建一个RDD
squared = nums.map(lambda x: x * x).collect() # 获得所有计算平方值的结果
for num in squared:
print "%i " % (num)

(1.2) flapMap: 将返回的迭代器”拍扁“。

# 将行数据切分为单词：
lines = sc.parallelize(["hello world", "hi"])
words = lines.map(lambda line: line.split(" "))
word.first() # 返回["hello", "world"]
words = lines.flapMap(lambda line: line.split(" "))
word.first() # 返回"hello"

(1.3) 集合操作：有 distinct(), union(), intersection(), subtract() ，笛卡尔积 cartesian() 。

2. Pair RDD转化操作

Pair RDD转化操作：pair RDD是键值对类型的RDD - 由(键，值)二元组组成。

(2.1) 聚合操作：

例子1 - 图4-2：计算每个键对应的平均值方法1：用reduceByKey()和mapValues()
rdd.mapValues(lambda x: (x, 1)).reduceByKey(lambda x, y: (x[0] + y[0], x[1] + y[1]))

例子2 - 图4-3：计算每个键对应的平均值方法2：用combineByKey()
sumCount = nums.combineByKey((lambda x: (x, 1)),
(lambda x, y: (x[0] + y, x[1] + 1)),
(lambda x, y: (x[0] + y[0], x[1] + y[1])))
sumCount.map(lambda key, xy: (key, xy[0]/xy[1])).collectAsMap()

例子3：单词计数方法1
rdd = sc.textFile("s3://...")
words = rdd.flatMap(lambda x: x.split(" "))
result = words.map(lambda x: (x, 1)).reduceByKey(lambda x, y: x + y)

例子4：单词计数方法2
result= rdd.flatMap(lambda x: x.split(" ")).countByValue()

(2.2) 数据分组：

• groupByKey() : 使用RDD的键对数据进行分组。对于一个有类型K的键和类型V的值组成的RDD，所得结果RDD类型会是[K, Iterable[V]].
• cogroup() : 对多个共享同一个键的RDD进行分组，对两个键的类型均为K，而值的类型分别为V和W的RDD进行cogroup()，得到结果是[K, (Iterable[V], Iterable[W])]。

(2.3) 连接

支持右外连接、左外连接、交叉连接以及内连接： leftOuterJoin(), rightOuterJoin() 和 join() 。
(2.4) 排序

例：以字符串顺序对整数进行自定义升序排序
rdd.sortByKey(ascending=True, numPartitions=None, keyfunc=lambda x: str(x))

3. 普通RDD行动操作

• count() ：返回计数结果。
• take() ： 收集RDD中的一些元素，然后方便在本地遍历这些元素。
• collect() ： 获取整个RDD中的数据，前提是整个数据集在放的进内存，不建议在大规模数据上使用。

例子：
print "Input had " + badLinesRDD.count() + " concerning lines"
print "Here are 10 examples:"
for line in badLinesRDD.take(10):
print line

4. Pair RDD行动操作