Spark RDD编程基本操作

RDD是Spark的核心概念，它是一个只读的、可分区的分布式数据集，这个数据集的全部或部分可以缓存在内存中，可在多次计算间重用。Spark用Scala语言实现了RDD的API，程序员可以通过调用API实现对RDD的各种操作，从而实现各种复杂的应用。

一、RDD创建

Spark采用textFile()方法来从文件系统中加载数据创建RDD，该方法把文件的URI作为参数，这个URI可以是本地文件系统的地址、分布式文件系统HDFS的地址，或者是Amazon S3的地址等。

1. 从文件系统中加载数据创建RDD

（1）从本地文件系统中加载数据

// spark-shell交互式环境中，执行
scala> val  lines = sc.textFile("file:///usr/local/spark/mycode/rdd/word.txt")
lines: org.apache.spark.rdd.RDD[String] = file:///usr/local/spark/mycode/rdd/w
ord.txt MapPartitionsRDD[12] at textFile at <console>:2

“lines: org.apache.spark.rdd.RDD[String]……”是命令执行后返回的信息，从中可以看出，执行sc.textFile()方法以后，Spark从本地文件word.txt中加载数据到内存，在内存中生成一个RDD对象lines，lines是org.apache.spark.rdd.RDD这个类的一个实例，这个RDD里面包含了若干个元素，每个元素的类型是String类型，也就是说，从word.txt文件中读取出来的每一行文本内容，都成为RDD中的一个元素，如果word.txt中包含了1000行，那么，lines这个RDD中就会包含1000个String类型的元素。

（2）从分布式文件系统HDFS中加载数据

在HDFS中已经创建了与当前Linux系统登录用户hadoop对应的用户目录“/user/hadoop”。启动HDFS，就可以让Spark对HDFS中的数据进行操作。

// 从HDFS中加载数据的命令如下（下面3条语句是完全等价的，可以使用其中任意一种方式）
scala> val lines = sc.textFile("hdfs://localhost:9000/user/hadoop/word.txt")
scala> val lines = sc.textFile("/user/hadoop/word.txt")
scala> val lines = sc.textFile("word.txt")

2. 通过并行集合（数组）创建RDD

调用SparkContext的parallelize方法，从一个已经存在的集合（数组）上创建RDD。

创建方式一：

scala> val array = Array(1,2,3,4,5)
scala> val rdd = sc.parallelize(array)

创建方式二：

scala> val list = List(1,2,3,4,5)
scala> val rdd = sc.parallelize(list)

二、RDD操作

RDD操作包括两种类型，即转换（Transformation操作）和行动（Action操作）。

1，转换操作

对于RDD而言，每一次转换操作都会产生不同的RDD，供给下一个操作使用。RDD的转换过程是惰性求值的，也就是说，整个转换过程只是记录了转换的轨迹，并不会发生真正的计算，只有遇到行动操作时，才会触发“从头到尾”的真正的计算。

常用的RDD转换操作API：

（1）·filter(func)

filter(func)操作会筛选出满足函数func的元素，并返回一个新的数据集。

在第1行语句中，执行sc.textFile()方法把word.txt文件中的数据加载到内存生成一个RDD，即lines，这个RDD中的每个元素都是String类型，即每个RDD元素都是一行文本内容。在第2行语句中，执行lines.filter()操作，filter()的输入参数line =>line.contains(“Spark”)是一个匿名函数，或者被称为“λ表达式”。lines.filter(line =>line.contains(“Spark”))操作的含义是，依次取出lines这个RDD中的每个元素，对于当前取到的元素，把它赋值给λ表达式中的line变量，然后，执行λ表达式的函数体部分line.contains(“Spark”)，如果line中包含"Spark"这个单词，就把这个元素加入到新的RDD（即linesWithSpark）中，否则，就丢弃该元素。最终，新生成的RDD（即linesWithSpark）中的所有元素，都包含了单词"Spark"。

（2）·map(func)

map(func)操作将每个元素传递到函数func中，并将结果返回为一个新的数据集。
示例一：

scala> data=Array(1,2,3,4,5)
scala> val rdd1= sc.parallel
ize(data)scala> val rdd2=rdd1.map(x=>x+10)

第1行语句创建了一个包含5个Int类型元素的数组data。第2行语句执行sc.parallelize()，从数组data中生成一个RDD，即rdd1，rdd1中包含了5个Int类型的元素，即1、2、3、4、5。第3行语句执行rdd1.map()操作，map()的输入参数“x=>x+10”是一个λ表达式。rdd1.map(x=>x+10)的含义是，依次取出rdd1这个RDD中的每个元素，对于当前取到的元素，把它赋值给λ表达式中的变量x，然后，执行λ表达式的函数体部分“x+10”，也就是把变量x的值和10相加后，作为函数的返回值，并作为一个元素放入到新的RDD（即rdd2）中。最终，新生成的RDD（即rdd2），包含了5个Int类型的元素，即11、12、13、14、15。
示例二：

scala> val lines = sc.textFile("file:///usr/local/spark/mycode/rdd/word.txt")
scala> val words=lines.map(line => line.split(" "))

在第1行语句中，执行sc.textFile()方法把word.txt文件中的数据加载到内存生成一个RDD，即lines，这个RDD中的每个元素都是String类型，即每个RDD元素都是一行文本，比如，lines中的第1个元素是"Hadoop is good"，第2个元素是"Spark is fast"，第3个元素是"Spark is better"。在第2行语句中，执行lines.map()操作，map()的输入参数line =>line.split(" “)是一个λ表达式。lines.map(line => line.split(” “))的含义是，依次取出lines这个RDD中的每个元素，对于当前取到的元素，把它赋值给λ表达式中的line变量，然后，执行λ表达式的函数体部分line.split(” “)。因为line是一行文本，比如"Hadoop is good”，一行文本中包含了很多个单词，单词之间以空格进行分隔，所以，line.split(" ")的功能是，以空格作为分隔符把line拆分成一个个单词，拆分后得到的单词都封装在一个数组对象中，成为新的RDD（即words）的一个元素。例如，“Hadoop is good"被拆分后，得到的"Hadoop”"is"和"good"三个单词，会被封装到一个数组对象中，即Array(“Hadoop”, “is”,“good”)，成为words这个RDD的一个元素。

（3）·flatMap(func)

flatMap(func)与map()相似，但每个输入元素都可以映射到0或多个输出结果。

scala> val lines = sc.textFile("file:///usr/local/spark/mycode/rdd/word.txt")
scala> val words=lines.flatMap(line => line.split(" "))

在第1行语句中，执行sc.textFile()方法把word.txt文件中的数据加载到内存生成一个RDD，即lines，这个RDD中的每个元素都是String类型，即每个RDD元素都是一行文本。在第2行语句中，执行lines.flatMap()操作，flatMap()的输入参数line => line.split(" “)是一个λ表达式。lines.flatMap(line => line.split(” “))的结果，等价于如下两步操作的结果
第1步：map()。执行lines.map(line => line.split(” “))操作，从lines转换得到一个新的RDD（即wordArray），wordArray中的每个元素都是一个数组对象。例如，第1个元素是Array(“Hadoop”, “is”,“good”)，第2个元素是Array(“Spark”, “is”, “fast”)，第3个元素是Array(“Spark”, “is”, “better”)。
第2步：拍扁（flat）。flatMap()操作中的“flat”是一个很形象的动作——“拍扁”，也就是把wordArray中的每个RDD元素都“拍扁”成多个元素，最终，所有这些被拍扁以后得到的元素，构成一个新的RDD，即words。例如，wordArray中的第1个元素是Array(“Hadoop”, “is”, “good”)，被拍扁以后得到3个新的String类型的元素，即"Hadoop”“is"和"good”；wordArray中的第2个元素是Array(“Spark”, “is”, “fast”)，被拍扁以后得到三个新的元素，即"Spark"“is"和"fast”；wordArray中的第3个元素是Array(“Spark”, “is”, “better”)，被拍扁以后得到三个新的元素，即"Spark"“is"和"better”。最终，这些被拍扁以后得到的9个String类型的元素构成一个新的RDD（即words），也就是说，words里面包含了9个String类型的元素，分别是"Hadoop"“is”“good”“Spark”“is”“fast”“Spark”“is"和"better”。

（4）·groupByKey()

groupByKey()应用于(K,V)键值对的数据集时，返回一个新的(K, Iterable)形式的数据集。

上图所示，名称为words的RDD中包含了9个元素，每个元素都是<String,Int>类型，也就是(K,V)键值对类型。words. groupByKey()操作执行以后，所有key相同的键值对，它们的value都被归并到一起。例如，(“is”,1)、(“is”,1)、(“is”,1)这3个键值对的key相同，就会被归并成一个新的键值对(“is”,(1,1,1))，其中，key是"is"，value是(1,1,1)，而且，value会被封装成Iterable（一种可迭代集合）。

（5）·reduceByKey(func)

reduceByKey(func)应用于(K,V)键值对的数据集时，返回一个新的(K, V)形式的数据集，其中的每个值是将每个key传递到函数func中进行聚合后得到的结果。

上图所示，名称为words的RDD中包含了9个元素，每个元素都是<String,Int>类型，也就是(K,V)键值对类型。words. reduceByKey((a,b)=>a+b)操作执行以后，所有key相同的键值对，它们的value首先被归并到一起。例如，(“is”,1)、(“is”,1)、(“is”,1)这3个键值对的key相同，就会被归并成一个新的键值对(“is”,(1,1,1))，其中，key是"is"，value是一个value-list，即(1,1,1)。然后，使用func函数把(1,1,1)聚合到一起，这里的func函数是一个λ表达式，即(a,b)=>a+b，它的功能是把(1,1,1)这个value-list中的每个元素进行汇总求和，首先，把value-list中的第1个元素（即1）赋值给参数a，把value-list中的第2个元素（也是1）赋值给参数b，执行a+b得到2，然后，继续对value-list中的元素执行下一次计算，把刚才求和得到的2赋值给a，把value-list中的第3个元素（即1）赋值给b，再次执行a+b得到3。最终，就得到聚合后的结果(“is”,3)。

2，行动操作

行动操作是真正触发计算的地方。Spark程序只有执行到行动操作时，才会执行真正的计算，从文件中加载数据，完成一次又一次转换操作，最终，完成行动操作得到结果。表4-2列出了常用的RDD行动操作API。

常用的RDD行动操作API：

scala> val  rdd=sc.parallelize(Array(1,2,3,4,5))
rdd: org.apache.spark.rdd.RDD[Int]=ParallelCollectionRDD[1] at parallelize at 
<console>:24 
scala> rdd.count() 
res0: Long = 5 
scala> rdd.first() 
res1: Int = 1 
scala> rdd.take(3) 
res2: Array[Int] = Array(1,2,3) 
scala> rdd.reduce((a,b)=>a+b) 
res3: Int = 15 
scala> rdd.collect() 
res4: Array[Int] = Array(1,2,3,4,5) 
scala> rdd.foreach(elem=>println(elem)) 
1 
2 
3 
4 
5

首先使用sc.parallelize(Array(1,2,3,4,5))生成了一个RDD，变量名称为rdd，rdd中包含了5个元素，分别是1、2、3、4和5，所以，rdd.count()语句执行以后返回的结果是5。执行rdd.first()语句后，会返回第1个元素，即1。当执行完rdd.take(3)语句以后，会以数组的形式返回rdd中的前3个元素，即Array(1,2,3)。执行完rdd.reduce((a,b)=>a+b)语句后，会得到把rdd中的所有元素（即1、2、3、4、5）进行求和以后的结果，即15。在执行rdd.reduce((a,b)=>a+b)时，系统会把rdd的第1个元素1传入给参数a，把rdd的第2个元素2传入给参数b，执行a+b计算得到求和结果3；然后，把这个求和的结果3传入给参数a，把rdd的第3个元素3传入给参数b，执行a+b计算得到求和结果6；然后，把6传入给参数a，把rdd的第4个元素4传入给参数b，执行a+b计算得到求和结果10；最后，把10传入给参数a，把rdd的第5个元素5传入给参数b，执行a+b计算得到求和结果15。接下来，执行rdd.collect()，以数组的形式返回rdd中的所有元素，可以看出，执行结果是一个数组Array(1,2,3,4,5)。在这个实例的最后，执行了语句rdd.foreach(elem=>println(elem))，该语句会依次遍历rdd中的每个元素，把当前遍历到的元素赋值给变量elem，并使用println(elem)打印出elem的值。实际上，rdd.foreach(elem=>println(elem))可以被简化成rdd.foreach(println)，效果是一样的。
注意：当采用Local模式在单机上执行时，rdd.foreach(println)语句会打印出一个RDD中的所有元素。但是，当采用集群模式执行时，在Worker节点上执行打印语句是输出到Worker节点的stdout中，而不是输出到任务控制节点Driver中，因此，任务控制节点Driver中的stdout是不会显示打印语句的这些输出内容的。为了能够把所有Worker节点上的打印输出信息也显示到Driver中，就需要使用collect()方法。例如，rdd.collect().foreach(println)。但是，由于collect()方法会把各个Worker节点上的所有RDD元素都抓取到Driver中，因此，这可能会导致Driver所在节点发生内存溢出。因此，当只需要打印RDD的部分元素时，可以采用类似rdd.take(100).foreach(println)这样的语句。

三、RDD持久化

在Spark中，RDD采用惰性求值的机制，每次遇到行动操作，都会从头开始执行计算。每次调用行动操作，都会触发一次从头开始的计算，这对于迭代计算而言，代价是很大的，因为迭代计算经常需要多次重复使用同一组数据。

scala> val  list = List("Hadoop","Spark","Hive")
list: List[String] = List(Hadoop, Spark, Hive) 
scala> val  rdd = sc.parallelize(list) 
rdd:org.apache.spark.rdd.RDD[String] = ParallelCollectionRDD[22] at parallelize at 
<console>:29 
scala> println(rdd.count())//行动操作，触发一次真正从头到尾的计算 3 
scala> println(rdd.collect().mkString(","))//行动操作，触发一次真正从头到尾的计算 
Hadoop,Spark,Hiv

可以通过持久化（缓存）机制来避免这种重复计算的开销。具体方法是使用persist()方法对一个RDD标记为持久化，之所以说“标记为持久化”，是因为出现persist()语句的地方，并不会马上计算生成RDD并把它持久化，而是要等到遇到第一个行动操作触发真正计算以后，才会把计算结果进行持久化，持久化后的RDD将会被保留在计算节点的内存中，被后面的行动操作重复使用。

persist()

使用persist（）方法标记一个持久化的RDD，一旦被一个执行（action）触发计算，它将会被保留在计算节点的内存中并重用。如果RDD的任一分区丢失，通过使用原先创建的转换操作，它将会被自动重算，不需要全部重算，而只计算丢失的部分。persist()的圆括号中包含的是持久化级别参数
·persist(MEMORY_ONLY)：表示将RDD作为反序列化的对象存储于JVM中，如果内存不足，就要按照LRU原则替换缓存中的内容；
·persist(MEMORY_AND_DISK)：表示将RDD作为反序列化的对象存储在JVM中，如果内存不足，超出的分区将会被存放在磁盘上。

一般而言，使用cache()方法时，会调用persist(MEMORY_ONLY)。针对上面的实例，增加持久化语句以后的执行过程如下：

scala> val  list = List("Hadoop","Spark","Hive")
list: List[String] = List(Hadoop, Spark, Hive) 
scala> val  rdd = sc.parallelize(list) 
rdd: org.apache.spark.rdd.RDD[String] = ParallelCollectionRDD[22] at parallelize at <console>:29 
scala> rdd.cache()//会调用persist(MEMORY_ONLY)，但是，语句执行到这里，并不会缓存rdd，因为这时rdd还没有被计算生成
scala> println(rdd.count())//第一次行动操作，触发一次真正从头到尾的计算，这时上面的rdd.cache()才会被执行，把这个rdd放到缓存中 3 
scala> println(rdd.collect().mkString(","))//第二次行动操作，不需要触发从头到尾的计算，只需要重复使用上面缓存中的rdd 
Hadoop,Spark,Hive

持久化RDD会占用内存空间，当不再需要一个RDD时，就可以使用unpersist()方法手动地把持久化的RDD从缓存中移除，释放内存空间。

四、RDD分区

1. 分区的作用

RDD是弹性分布式数据集，通常RDD很大，会被分成很多个分区，分别保存在不同的节点上。

上图所示：一个集群中包含4个工作节点（Worker Node），分别是WorkerNode1、WorkerNode2、WorkerNode3和WorkerNode4，假设有两个RDD，即rdd1和rdd2，其中，rdd1包含5个分区，即p1、p2、p3、p4和p5，rdd2包含3个分区，即p6、p7和p8。
对RDD进行分区，第一个功能是增加并行度。rdd2的3个分区p6、p7和p8，分布在3个不同的工作节点WorkerNode2、WorkerNode3和WorkerNode4上面，就可以在这3个工作节点上分别启动3个线程对这3个分区的数据进行并行处理，从而增加了任务的并行度。
对RDD进行分区的第二个功能是减少通信开销。在分布式系统中，通信的代价是巨大的，控制数据分布以获得最少的网络传输可以极大地提升整体性能。Spark程序可以通过控制RDD分区方式来减少网络通信的开销。

2. 分区的原则

RDD分区的一个原则是使分区的个数尽量等于集群中的CPU核心（Core）数目。对于不同的Spark部署模式而言（Local模式、Standalone模式、YARN模式、Mesos模式），都可以通过设置spark.default.parallelism这个参数的值，来配置默认的分区数目。
一般而言，各种模式下的默认分区数目如下：
（1）Local模式：默认为本地机器的CPU数目，若设置了local[N]，则默认为N；
（2）Standalone或YARN模式：在“集群中所有CPU核心数目总和”和“2”这二者中取较大值作为默认值；
（3）Mesos模式：默认的分区数为8。

3. 设置分区的个数

可以手动设置分区的数量，主要包括两种方式：（1）创建RDD时手动指定分区个数；（2）使用reparititon方法重新设置分区个数。

（1）创建RDD时手动指定分区个数

在调用textFile()和parallelize()方法的时候手动指定分区个数即可，语法格式如下：
sc.textFile(path, partitionNum)
其中，path参数用于指定要加载的文件的地址，partitionNum参数用于指定分区个数。

scala> val array = Array(1,2,3,4,5)
scala> val rdd = sc.parallelize(array,2)//设置两个分区

对于parallelize()而言，如果没有在方法中指定分区数，则默认为spark.default.parallelism。对于textFile()而言，如果没有在方法中指定分区数，则默认为min(defaultParallelism,2)，其中，defaultParallelism对应的就是spark.default.parallelism。如果是从HDFS中读取文件，则分区数为文件分片数（例如，128MB/片）。

（2）使用reparititon方法重新设置分区个数

通过转换操作得到新RDD时，直接调用repartition方法。

scala> val  data = sc.textFile("file:///usr/local/spark/mycode/rdd/word.txt",2)data: org.apache.spark.rdd.RDD[String] = file:///usr/local/spark/mycode/rdd/word.txt 
MapPartitionsRDD[12] at textFile at <console>:24 scala> data.partitions.size  //显示data个RDD的分区数量 
res2: Int=2 
scala> val  rdd = data.repartition(1)//对data这个RDD进行重新分区 rdd: org.apache.spark.rdd.RDD[String] = MapPartitionsRDD[11] at repartition at :26 
scala> rdd.partitions.size 
res4: Int = 1

4，自定义分区方法

Spark提供了自带的哈希分区（HashPartitioner）与区域分区（RangePartitioner），能够满足大多数应用场景的需求。与此同时，Spark也支持自定义分区方式，即通过提供一个自定义的Partitioner对象来控制RDD的分区方式，从而利用领域知识进一步减少通信开销。需要注意的是，Spark的分区函数针对的是（key,value）类型的RDD，也就是说，RDD中的每个元素都是（key,value）类型，然后，分区函数根据key对RDD元素进行分区。因此，当需要对一些非（key,value）类型的RDD进行自定义分区时，需要首先把RDD元素转换为（key,value）类型，然后再使用分区函数。
要实现自定义分区，需要定义一个类，这个自定义类需要继承org.apache.spark.Partitioner类，并实现下面3个方法：
（1）numPartitions: Int返回创建出来的分区数；
（2）getPartition(key: Any): Int返回给定键的分区编号（0到numPartitions-1）；
（3）equals(): Java判断相等性的标准方法。

示例：
要求根据key值的最后一位数字写到不同的文件中。例如，10写入到part-00000，11写入到part-00001，12写入到part-00002。请创建一个代码文件TestPartitioner.scala。

importorg.apache.spark.{Partitioner,SparkContext,SparkConf}//自定义分区类，需要继承org.apache.spark.Partitioner类classMyPartitioner(numParts:Int)extendsPartitioner{//覆盖分区数   
    override def numPartitions:Int= numParts    
    //覆盖分区号获取函数   
    override def getPartition(key:Any):Int={     
        key.toString.toInt%10}} 
object TestPartitioner{   
    def main(args:Array[String]){     
        val conf=newSparkConf()     
        val sc=newSparkContext(conf)//模拟5个分区的数据     
        val data=sc.parallelize(1to10,5)//根据尾号转变为10个分区，分别写到10个文件     
        data.map((_,1)).partitionBy(newMyPartitioner(10)).map(_._1).saveAsTextFile("file:///usr/local/spark/mycode/rdd/partitioner")}}

val data=sc.parallelize(1 to 10,5)这行代码执行后，会生成一个名称为data的RDD，这个RDD中包含了1、2、3、…、9、10等10个Int类型的元素，并被分成5个分区。data.map(( ,1))表示把data中的每个Int类型元素取出来，转换成(key,value)类型，比如，把1这个元素取出来以后转换成(1,1)，把2这个元素取出来以后转换成(2,1)，因为，自定义分区函数要求RDD元素的类型必须是(key,value)类型。partitionBy(new MyPartitioner(10))表示调用自定义分区函数，把(1,1)、(2,1)、(3,1)、…、(10,1)这些RDD元素根据尾号分成10个分区。分区完成以后，再使用map(_._1)，把(1,1)、(2,1)、(3,1)、…、(10,1)等(key,value)类型元素的key提取出来，得到1,2,3,…,9,10。最后调用saveAsTextFile()方法把RDD的10个Int类型的元素写入到本地文件中。
使用sbt工具对TestPartitioner.scala进行编译打包，并使用spark-submit命令提交到Spark中运行。运行结束后可以看到，在本地文件系统的“file:///usr/local/spark/mycode/rdd/partitioner”目录下面，会生成part-00000、part-00001、part-00002、…、part-00009和_SUCCESS等文件，其中，part-00000文件中包含了数字10，part-00001文件中包含了数字1，part-00002文件中包含了数字2。

文章来源：《Spark编程基础》 作者：林子雨

文章内容仅供学习交流，如有侵犯，联系删除哦！