Spark RDD结课总结

一、Spark运行环境初始化

任何Spark程序都是以SparkContext对象开始的，因为SparkContext是Spark应用程序的上下文和入口，无论是Scala、Python、R程序，都是通过SparkContext对象的实例来创建RDD，Spark Shell中的sc就是SparkContext对象的实例。因此在实际Spark应用程序的开发中，在main方法中需要创建SparkContext对象，作为Spark应用程序的入口，并在Spark程序结束时关闭SparkContext对象。

初始化SparkContext需要一个SparkConf对象，SparkConf包含了Spark集群配置的各种参数，属性参数是一种键值对的格式，一般可以通过set(属性名，属性设置值)的方法修改属性。其中还包含了设置程序名setAppName、设置运行模式setMaster等方法。

例如：

二、RDD的创建

RDD是一个容错的、只读的、可进行并行操作的数据结构，是一个分布在集群各个节点中的存放元素的集合。RDD的创建有3种不同的方法。

• 第一种是将程序中已存在的Seq集合（如集合、列表、数组）转换成RDD。
• 第二种是对已有RDD进行转换得到新的RDD，这两种方法都是通过内存中已有的集合创建RDD的。
• 第三种是直接读取外部存储系统的数据创建RDD。

从内存中读取数据

1. parallelize()

parallelize()方法有两个输入参数，说明如下。

• 要转化的集合，必须是Seq集合。Seq表示序列，指的是一类具有一定长度的、可迭代访问的对象，其中每个数据元素均带有一个从0开始的、固定的索引。
• 分区数，若不设分区数，则RDD的分区数默认为该程序分配到的资源的CPU核心数。

*2*****． ****makeRDD()

makeRDD()方法有两种使用方式。

• 第一种方式的使用与parallelize()方法一致；
• 第二种方式是通过接收一个是Seq[(T,Seq[String])]参数类型创建RDD。

生成的RDD中保存的是T的值，Seq[String]部分的数据会按照Seq[(T,Seq[String])]的顺序存放到各个分区中，一个Seq[String]对应存放至一个分区，并为数据提供位置信息，通过preferredLocations()方法可以根据位置信息查看每一个分区的值。调用makeRDD()时不可以直接指定RDD的分区个数，分区的个数与Seq[String]参数的个数是保持一致的。

从外部存储系统中读取数据

• 从外部存储系统中读取数据创建RDD是指直接读取存放在文件系统中的数据文件创建RDD。

• 从内存中读取数据创建RDD的方法常用于测试，从外部存储系统中读取数据创建RDD才是用于实践操作的常用方法。

• 从外部存储系统中读取数据创建RDD可以有很多种数据来源，可通过SparkContext对象的textFile()方法读取数据集，该方法支持多种类型的数据集，如目录、文本文件、压缩文件和通配符匹配的文件等，并且允许设定分区个数。

• 分别读取HDFS文件和Linux本地文件的数据并创建RDD，具体操作如下。

• 通过HDFS文件创建RDD

直接通过textFile()方法读取HDFS文件的位置即可。

• 通过Linux本地文件创建RDD

本地文件的读取也是通过sc.textFile("路径")的方法实现的，在路径前面加上“file://”表示从Linux本地文件系统读取。在IntelliJ IDEA开发环境中可以直接读取本地文件；但在spark-shell中，要求在所有节点的相同位置保存该文件才可以读取它

转换操作可以将一个RDD转换为一个新的RDD，但是转换操作是懒操作，不会立刻执行计算；

行动操作是用于触发转换操作的操作，这时才会真正开始进行计算。

三、RDD常用的方法

单个RDD

1.map()方法转换数据

map()方法是一种基础的RDD转换操作，可以对RDD中的每一个数据元素通过某种函数进行转换并返回新的RDD。 map()方法是转换操作，不会立即进行计算。

2. sortBy()方法进行排序

sortBy()方法用于对标准RDD进行排序，有3个可输入参数，说明如下。

第1个参数是一个函数f:(T) => K，左边是要被排序对象中的每一个元素，右边返回的值是元素中要进行排序的值。（该参数是必须输入的）

第2个参数是ascending，决定排序后RDD中的元素是升序的还是降序的，默认是true，即升序排序，如果需要降序排序那么需要将参数的值设置为false。

第3个参数是numPartitions，决定排序后的RDD的分区个数，默认排序后的分区个数和排序之前的分区个数相等，即this.partitions.size。

#创建RDD
val data = sc.parallelize(List((1,3),(45,3),(7,6)))
#对元组第二个值进行降序排序，分区个数设置为1
val sort_data = data.sortBy(x => x._2,false,1) 

3.collect()方法查询数据

collect()方法是一种行动操作，以数组 Array 的形式返回数据集的所有元素

collect()里将生成目录方法有以下两种操作方式。

• collect：直接调用collect返回该RDD中的所有元素，返回类型是一个Array[T]数组。

• collect[U: ClassTag](f: PartialFunction[T, U])：RDD[U]。这种方式需要提供一个标准的偏函数，将元素保存至一个RDD中。首先定义一个函数one，用于将collect方法得到的数组中数值里将生成目录为1的值替换为“one”，将其他值替换为“other”。

**4.flatMap()方法转换数据 **

使用flatMap()方法时先进行map（映射）再进行flat（扁平化）操作，数据会先经过跟map一样的操作，为每一条输入返回一个迭代器（可迭代的数据类型），然后将所得到的不同级别的迭代器中的元素全部当成同级别的元素，返回一个元素级别全部相同的RDD。

这个转换操作通常用来切分单词。

5.take()方法查询某几个值

take(N)方法用于获取RDD的前N个元素，返回数据为数组。 take()与collect()方法的原理相似，collect()方法用于获取全部数据，take()方法获取指定个数的数据。

eg:获取RDD的前5个元素：

6.filter()方法进行过滤

filter()方法是一种转换操作，用于过滤RDD中的元素。

filter()方法需要一个参数，这个参数是一个用于过滤的函数，该函数的返回值为Boolean类型。 filter()方法将返回值为true的元素保留，将返回值为false的元素过滤掉，最后返回一个存储符合过滤条件的所有元素的新RDD。

eg:创建一个RDD，并且过滤掉每个元组第二个值小于等于1的元素。

7.distinct()方法进行去重

distinct()方法是一种转换操作，用于RDD的数据去重，去除两个完全相同的元素，没有参数。

eg:创建一个带有重复数据的RDD，并使用distinct()方法去重。

两个RDD集合操作

1.union()方法 合并

union()方法是一种转换操作，用于将两个RDD合并成一个，不进行去重操作，而且两个RDD中每个元素中的值的个数、数据类型需要保持一致。 使用union()方法合并两个RDD

2.intersection()方法 交集

intersection()方法用于求出两个RDD的共同元素，即找出两个RDD的交集，参数是另一个RDD，先后顺序与结果无关。

eg:创建两个RDD，其中有相同的元素，通过intersection()方法求出两个RDD的交集。

3.subtract()方法 补集

subtract()方法用于将前一个RDD中在后一个RDD出现的元素删除，可以认为是求补集的操作，返回值为前一个RDD去除与后一个RDD相同元素后的剩余值所组成的新的RDD。两个RDD的顺序会影响结果。

eg:创建两个RDD，分别为rdd1和rdd2，包含相同元素和不同元素，通过subtract()方法求rdd1和rdd2彼此的补集。

4.cartesian()方法 笛卡尔积

cartesian()方法可将两个集合的元素两两组合成一组，即求笛卡儿积。

eg:创建两个RDD，分别有4个元素，通过cartesian()方法求两个RDD的笛卡儿积。

四、键值对RDD

Spark的大部分RDD操作都支持所有种类的单值RDD，但是有少部分特殊的操作只能作用于键值对类型的RDD。

键值对RDD由一组组的键值对组成，这些RDD被称为PairRDD。PairRDD提供了并行操作各个键或跨节点重新进行数据分组的操作接口。

创建键值对RDD

将一个普通的RDD转化为一个PairRDD时可以使用map函数

键值对RDD的常用方法

1.keys()和values()方法

Spark提供了两种方法，分别获取键值对RDD的键和值。

keys()返回一个仅包含键的RDD。

values()返回一个仅包含值的RDD。

2.reduceByKey()方法

reduceByKey()方法，一种转换操作，用于合并具有相同键的值，作用对象是键值对，并且只对每个键的值进行处理，当RDD中有多个键相同的键值对时，则会对每个键对应的值进行处理。

3.groupByKey()方法

groupByKey()方法用于对具有相同键的值进行分组，可以对同一组的数据进行计数、求和等操作。

多个RDD键的连接方法

与合并不同，连接会对键相同的值进行合并，连接方式多种多样，包含内连接、右外连接、左外连接、全外连接，不同的连接方式需要使用不同的连接方法。

1.join()方法连接两个RDD

join()方法用于根据键对两个RDD进行内连接，将两个RDD中键相同的数据的值存放在一个元组中，最后只返回两个RDD中都存在的键的连接结果。

例如，在两个RDD中分别有键值对(K,V)和(K,W)，通过join()方法连接会返回(K,(V,W))。

2.rightOuterJoin()方法

rightOuterJoin()方法用于根据键对两个RDD进行右外连接，连接结果是右边RDD的所有键的连接结果，不管这些键在左边RDD中是否存在。

在rightOuterJoin()方法中，如果在左边RDD中有对应的键，那么连接结果中值显示为Some类型值；如果没有，那么显示为None值。

3.leftOuterJoin()方法

leftOuterJoin()方法用于根据键对两个RDD进行左外连接，与rightOuterJoin()方法相反，返回结果保留左边RDD的所有键。

4.fullOuterJoin()方法

fullOuterJoin()方法用于对两个RDD进行全外连接，保留两个RDD中所有键的连接结果。

5.zip()方法

zip()方法用于将两个RDD组合成键值对RDD，要求两个RDD的分区数量以及元素数量相同，否则会抛出异常。

6.combineByKey()方法

combineByKey()方法用于将键相同的数据聚合，并且允许返回类型与输入数据的类型不同的返回值。

combineByKey()方法接收3个重要的参数，具体说明如下。

• createCombiner:V=>C，V是键值对RDD中的值部分，将该值转换为另一种类型的值C，C会作为每一个键的累加器的初始值。
• mergeValue:(C,V)=>C，该函数将元素V聚合到之前的元素C(createCombiner)上（这个操作在每个分区内进行）。
• mergeCombiners:(C,C)=>C，该函数将两个元素C进行合并（这个操作在不同分区间进行)。

7.lookup()方法

lookup(key:K)方法作用于键值对RDD，返回指定键的所有值。

五、数据读取和保存

1.JSON文件

读取：

存储：

2.CSV文件

读取：

存储：

3.SequenceFile文件

读取：

存储：

4.文本文件

读取：

通过textFile()方法即可直接读取，一条记录（一行）作为一个元素。

存储：

RDD数据可以直接调用saveAsTextFile()方法将数据存储为文本文件。