2023_Spark_实验十一：RDD基础算子操作

一、RDD的练习可以使用两种方式

1. 使用Shell
2. 使用IDEA

二、使用Shell练习RDD

当你打开 Spark 的交互式命令行界面（也就是 Spark shell）的时候，它已经自动为你准备好了一个叫做

sc

的特殊对象，这个对象是用来和 Spark 集群沟通的。你不需要，也不应该自己再创建一个这样的对象。

如果你想告诉 Spark 用哪个计算机或者计算机集群来执行你的命令，可以通过

--master

这个选项来设置。比如，你想在本地计算机上只用四个核心来运行，就可以在命令里加上

--master local[4]

。

$ ./bin/spark-shell --master local[4]

如果你有一些自己的代码打包成了 JAR 文件，想要在 Spark shell 里用，可以通过

--jars

选项，后面跟上你的 JAR 文件名，用逗号分隔，来把它们加入到可以识别的路径里。

$ ./bin/spark-shell --master local[4] --jars code.jar

此外，如果你需要一些额外的库或者 Spark 的扩展包，可以通过

--packages

选项，后面跟上这些库的 Maven 坐标（一种常用的依赖管理方式），用逗号分隔，来添加它们。假设你需要的包是

org.apache.spark:spark-mllib_2.13:3.4.1

，这是Spark的机器学习库。

$ ./bin/spark-shell --master local[4] --packages "org.apache.spark:spark-mllib_2.13:3.4.1"

简单来说，这些选项就是让你告诉 Spark 怎么运行你的代码，以及在哪里找到运行代码所需要的资源。

RDD基础

// 从array中创建RDD
val data = Array(1, 2, 3, 4, 5)
val distData = sc.parallelize(data)
distData.foreach(println)
// 读取文件创建RDD
val lines = sc.textFile("D:\\PycharmProjects\\2024\\pyspark\\datas\\word.txt")
val lineLengths = lines.map(s => s.length)
val totalLength = lineLengths.reduce((a, b) => a + b)
println(totalLength)
// 数据持久化
lineLengths.persist()
print(lineLengths.reduce((a, b) => a + b))
// 对象的函数
object MyFunctions {
  def func1(s: String): String = { s"打印RDD中的字符串，包含的字符串有: $s" }
}
val myRdd = lines.flatMap(lines => lines.split(" "))
myRdd.map(MyFunctions.func1).foreach(println)
import org.apache.spark.rdd.RDD
// 类的函数
class MyClass extends Serializable {
  def func1(s: String): String = { f"在MyClass类中，打印RDD中的字符串，包含的字符串有: $s" }
  def doStuff(rdd: RDD[String]): RDD[String] = { rdd.map(func1) }
}
val f1 = new MyClass()
f1.doStuff(myRdd).foreach(println)
// 类的应用
class MyClass2 extends Serializable {
  val field = "你好，测试案例..."
  def doStuff(rdd: RDD[String]): RDD[String] = { rdd.map(x => field + x) }
}
val f2 = new MyClass2()
f2.doStuff(myRdd).foreach(println)
// Pair RDD应用
val lines = sc.textFile("D:\\PycharmProjects\\2024\\pyspark\\datas\\word.txt")
val pairs = lines.flatMap(_.split(" ")).map(s => (s, 1))
val counts = pairs.reduceByKey((a, b) => a + b)
// 交换键和值的位置
val swappedCounts = counts.map(_.swap)
// 先根据值排序（降序），然后根据键排序（升序）
val sortedByValueThenKeyDesc = swappedCounts.sortByKey(ascending = false)
val CountsDescondvalue = sortedByValueThenKeyDesc .map(_.swap)
CountsDescondvalue .collect()
// 广播变量 Broadcast Variables
val broadcastVar = sc.broadcast(Array(1, 2, 3))
broadcastVar.value
val accum = sc.longAccumulator("My Accumulator")
sc.parallelize(Array(1, 2, 3, 4)).foreach(x => accum.add(x))
accum.value

三、使用IDEA练习RDD

基于Spark3.4.1，IDEA练习基础的RDD

package test
import org.apache.spark.SparkContext
import org.apache.spark.sql.SparkSession
/**
 * @projectName GNUSpark20204  
 * @package test  
 * @className test.RDD_spark341  
 * @description ${description}  
 * @author pblh123
 * @date 2024/9/26 23:08
 * @version 1.0
 *
 */
    
object RDD_spark341 extends App {
//  创建SparkSession sparkcontext
  val spark = SparkSession.builder
    .appName("RDD_spark341")
    .master("local[2]")
    .getOrCreate()
  val sc: SparkContext = spark.sparkContext
//  spark代码主体
  // 从array中创建RDD
    val data = Array(1, 2, 3, 4, 5)
    val distData = sc.parallelize(data)
    distData.foreach(println)
    // 读取文件创建RDD
    val lines = sc.textFile("D:\\PycharmProjects\\2024\\pyspark\\datas\\word.txt")
    val lineLengths = lines.map(s => s.length)
    val totalLength = lineLengths.reduce((a, b) => a + b)
    println(totalLength)
    // 数据持久化
    lineLengths.persist()
    print(lineLengths.reduce((a, b) => a + b))
    // 对象的函数
    object MyFunctions {
      def func1(s: String): String = {
        s"打印RDD中的字符串，包含的字符串有: $s"
      }
    }
    val myRdd = lines.flatMap(lines => lines.split(" "))
    myRdd.map(MyFunctions.func1).foreach(println)
    import org.apache.spark.rdd.RDD
    // 类的函数
    class MyClass extends Serializable {
      def func1(s: String): String = {
        f"在MyClass类中，打印RDD中的字符串，包含的字符串有: $s"
      }
      def doStuff(rdd: RDD[String]): RDD[String] = {
        rdd.map(func1)
      }
    }
    val f1 = new MyClass()
    f1.doStuff(myRdd).foreach(println)
    // 类的应用
    class MyClass2 extends Serializable {
      val field = "你好，测试案例..."
      def doStuff(rdd: RDD[String]): RDD[String] = {
        rdd.map(x => field + x)
      }
    }
    val f2 = new MyClass2()
    f2.doStuff(myRdd).foreach(println)
    // Pair RDD应用
    val pairs = lines.flatMap(_.split(" ")).map(s => (s, 1))
    val counts = pairs.reduceByKey((a, b) => a + b)
    // 交换键和值的位置
    val swappedCounts = counts.map(_.swap)
    // 先根据值排序（降序），然后根据键排序（升序）
    val sortedByValueThenKeyDesc = swappedCounts.sortByKey(ascending = false)
    val CountsDescondvalue = sortedByValueThenKeyDesc.map(_.swap)
    println(CountsDescondvalue.collect())
    // 广播变量 Broadcast Variables
    val broadcastVar = sc.broadcast(Array(1, 2, 3))
    println(broadcastVar.value)
    val accum = sc.longAccumulator("My Accumulator")
    sc.parallelize(Array(1, 2, 3, 4)).foreach(x => accum.add(x))
    println(accum.value)
//  关闭sparkSesssion sparkcontext
  sc.stop()
  spark.stop()
}