Spark编程基础

一、SparRDD简介

1.RDD 介绍

     RDD（Resilient Distributed Dataset）叫做弹性分布式数据集，是 Spark 中最基本的数据处理模型。代码中是一个抽象类，它代表一个弹性的、不可变、可分区、里面的元素可并行计算的集合。

    RDD算子分为转换（Transformation）算子和行动（ Action）算子，程序运行到转换算子时并不会马上执行转算子，只有碰到行动算子才会真正执行转换算子。

2.RDD 分区

     RDD内部的数据集在逻辑上会被划分为多个分区，而在物理上则被分配到多个任务中，以便在分布式计算中进行并行处理。分区的个数决定了计算的并行度，每一个分区内的数据都在一个单独的任务上执行。如果在计算过程中没有指定分区数，那么Spark会采用默认的分区数，默认的分区数为程序运行是分配到的CPU核心数。

3.RDD 创建

     创建RDD一般有三种方式：

通过集合创建RDD：使用SparkContext.parallelize方法将集合转成RDD。
通过文件创建RDD：使用SparkContext.textFile方法读取文件内容创建RDD，文件可以是本地文件，也可以是hdfs文件。
通过其他RDD创建RDD,RDD的内容是不可变的，通过RDD算子操作之后会生产新的RDD。

二、SparRDD入门

1、创建 RDD

从集合创建 RDD

val let_data = Array(1, 2, 3, 4, 5)
val let_rdd = sc.parallelize(let_data)

2、从外部文件创建 RDD

val rdd = sc.textFile("file.txt")

1.RDD 常用转换算子

1、map算子

map算子：对输入的每一元素进行处理，生成一对一的结果，有多少条数据进入，就有多少数据出来。

val let_squaredRDD = let_rdd.map(x => x * x)

2、filter算子

根据给定的函数过滤 RDD 中的元素，并返回一个包含满足条件的元素的新 RDD。

val filteredRDD = rdd.filter(x => x % 2 == 0)

3、flatMap算子

类似于 map，但是对每个输入元素生成多个输出元素（返回一个扁平化的结果）。

val let_wordsRDD = let_rdd.flatMap(line => line.split(" "))

4、mapPartitions算子

类似于 map，但是作用于 RDD 的每个分区而不是每个元素，可以减少开销。

val let_rdd = sc.textFile("file.txt")

val let_mappedRDD = let_rdd.mapPartitions(iter => {
  iter.map(line => {
    val num = line.toInt
    num * num             
  })
})

5、distinct算子

去除 RDD 中的重复元素，并返回一个包含唯一元素的新 RDD。

val let_distinctRDD = let_rdd.distinct()

6、dsortBy算子

根据给定的比较函数对 RDD 中的元素进行排序。

val let_sortedRDD = let_rdd.sortBy(x => x, ascending = false)

2、RDD 常用转换算子

1、collect行动算子

将 RDD 中的所有元素收集到驱动程序节点上，并以数组的形式返回。

val let_result = let_rdd.collect()

2、collect行动算子

将 RDD 中的所有元素收集到驱动程序节点上，并以数组的形式返回。

val let_result = let_rdd.collect()

3、count行动算子

返回 RDD 中元素的数量。

val let_count = let_rdd.count()

4、reduce行动算子

通过一个函数将 RDD 中的元素两两结合，直到将所有元素归约为一个结果。

val let_total = let_rdd.reduce((x, y) => x + y)

5、take行动算子

val let_firstElements = let_rdd.take(5)

二、SparDataFrame入门

DataFrame是一个二维表结构，那么表格结构就有无法绕开的三个点：

行
列
表结构描述
在MySQL中的一张表：

由许多行组成
数据也被分成多个列
表也有表结构信息（列、列名、列类型、列约束等）
基于这个前提，DataFrame的组成如下:

在结构层面：

StructType对象描述整个DataFrame的表结构
StructField对象描述一个列的信息
在数据层面

Row对象记录一行数据
Column对象记录一列数据并包含列的信息

1、创建SparkDataFrame

从集合创建 DataFrame

import org.apache.spark.sql.{SparkSession, Row}
import org.apache.spark.sql.types._

val spark = SparkSession.builder()
  .appName("Spark DataFrame Example")
  .getOrCreate()

val data = Seq(
  Row(1, "Alice", 30),
  Row(2, "Bob", 25),
  Row(3, "Charlie", 35)
)

val schema = StructType(List(
  StructField("id", IntegerType, nullable = false),
  StructField("name", StringType, nullable = false),
  StructField("age", IntegerType, nullable = false)
))

val let_df = spark.createDataFrame(spark.sparkContext.parallelize(data), schema)

2、从外部数据源创建 DataFrame

val df = spark.read.csv("file.csv")

3、显示 DataFrame 的内容

let_df.show()

3、查看 DataFrame 的结构

let_df.printSchema()

查询操作

选择列

let_df.select("name", "age").show()

过滤行

let_df.filter(let_df("age") > 30).show()

分组聚合

let_df.groupBy("age").count().show()

添加和删除列

val let_newDf = let_df.withColumn("new_column", let_df("age") * 2)
let_newDf.show()

val let_removedDf = let_df.drop("age")
let_removedDf.show()

使用 SQL 查询

let_df.createOrReplaceTempView("people")
val let_sqlDF = spark.sql("SELECT * FROM people WHERE age > 30")
let_sqlDF.show()

在本文中，我们探讨了 Spark 中两个重要的数据抽象：Spark RDD 和 Spark DataFrame。Spark RDD 是最初引入的分布式数据集概念，它提供了对数据的低级别控制和操作。它适用于需要对数据进行精细控制的情况，例如复杂的数据处理和算法实现。

与此相比，Spark DataFrame 是在 Spark SQL 中引入的，它提供了更高级别、更方便的 API，使得数据处理更加直观和简单。它更适用于结构化数据和 SQL 操作，以及大规模数据的数据处理和分析。

选择使用哪种数据结构取决于具体的需求和情况。如果你需要对数据进行更复杂的转换和操作，并且对数据的结构不是很了解，那么 Spark DataFrame 可能更适合你。而如果你需要对数据进行更底层的控制，并且更关注性能和灵活性，那么 Spark RDD 可能是更好的选择。

无论你选择使用哪种数据结构，Spark 提供了强大而灵活的工具来处理大规模数据。通过深入了解 Spark RDD 和 Spark DataFrame，你可以更有效地处理和分析数据，并从中获得有价值的见解和洞察。

感谢你阅读本文，希望它能帮助你更好地利用 Spark 进行数据处理和分析！