spark 系列之一 RDD的使用

spark中常用的两种数据类型，一个是RDD，一个是DataFrame，本篇主要介绍RDD的一些应用场景见代码
本代码的应用场景是在spark本地调试（windows环境）

/**
 * 创建 sparkSession对象
 */
val sparkSession = SparkSession.builder()
                  .appName("TextFile")
                  .master("local")
                  .getOrCreate()

word.txt 的文本内容如下

wordcount：三个算子搞定 flatMap 是把数据打平，map是对打平的数据每个计数一，reduceBykey是按照key进行分类汇总。

/**
 * wordCount 程序，三个算子搞定
 */
val peopleRDD1 = sparkSession.sparkContext
                            .textFile("file:///D:/software_download/spark_text/word.txt")
                            .flatMap(line=>line.split(" "))
                            .map(word=>(word,1))
                            .reduceByKey((a,b)=>a+b)

peopleRDD1.foreach(println)

Result：　　　　　　

　　(scala,1)
　　(faster,1)
　　(is,1)
　　(spark,2)
　　(hadoop,1)
　　(love,6)
　　(i,6)
　　(python,1)
　　(nodejs,1)
　　(java,1)

按照key进行分组

 /**
   * 分组
 */
 val peopleRDD2 = sparkSession.sparkContext
                                .textFile("file:///D:/software_download/spark_text/word.txt")
                                .flatMap(line=>line.split(" "))
                                .map(word=>(word,1))
                                .groupByKey()
 peopleRDD2.foreach(println)

 Result：

(scala,CompactBuffer(1))
(spark,CompactBuffer(1, 1))
(is,CompactBuffer(1))
(faster,CompactBuffer(1))
(hadoop,CompactBuffer(1))
(love,CompactBuffer(1, 1, 1, 1, 1, 1))
(i,CompactBuffer(1, 1, 1, 1, 1, 1))
(python,CompactBuffer(1))
(nodejs,CompactBuffer(1))
(java,CompactBuffer(1))

遍历RDD的keys和values，RDD中存放的是一个个对象，这点跟DataFrame不同，RDD中的对象对外的表现是黑盒的，即你不知道RDD中具体的字段是什么。DataFrame则不同，你可以清晰的看到DataFrame中所存放对象的内部结构。

/**
  * RDD keys与values的遍历
  */

peopleRDD1.keys.foreach(println)
peopleRDD1.values.foreach(println)

Result：

scala
faster
is
spark
hadoop
love
i
python
nodejs
java
1
1
1
2
1
6
6
1
1
1

RDD 的其它操作，

  /**
    * 只针对value的值进行操作,以下两种操作等效,都是对key值加1操作
    */
  peopleRDD1.sortByKey().map(x=>(x._1,x._2+1)).foreach(println)
  peopleRDD1.sortByKey().mapValues(x=>x+1).foreach(println)
  
  //按照value值进行排序
  peopleRDD1.sortBy(x=>x._2,ascending = true).foreach(println)
  //按照key值进行排序
  peopleRDD1.sortByKey(ascending = true).foreach(println)

  /**
   * RDD之间的join操作
   */
  val pairRDD1 = sparkSession.sparkContext.parallelize(Array(("spark",1),("spark",2),("hadoop",3),("hadoop",5)))
  val pairRDD2 = sparkSession.sparkContext.parallelize(Array(("spark","fast")))
  val RDD1_join_RDD2 = pairRDD1.join(pairRDD2)
  RDD1_join_RDD2.foreach(println)

思考题： 求该rdd，按照key进行分组后，value值得平均值，答案如下。

求：写代码

val rdd = sparkSession.sparkContext.parallelize(Array(("spark",2),("hadoop",6),("hadoop",4),("spark",6)))

Result：

(spark,4)
(hadoop,5)