一、Spark是什么

Spark 是一种基于内存的快速、通用、可扩展的大数据分析计算引擎。主要用于数据计算，经常被认为是Hadoop框架的升级版。

二、Spark的特点

1、速度快

小生根据官方数据统计，与Hadoop相比，Spark基于内存的运算效率要快100倍以上，基于硬盘的运算效率也要快10倍以上。Spark实现了高效的DAG执行引擎，能够通过内存计算高效地处理数据流。

2、易用性

Spark编程支持Java、Python、Scala及R语言，并且还拥有超过80种高级算法，除此之外，Spark还支持交互式的Shell操作，开发人员可以方便地在Shell客户端中使用Spark集群解决问题。

3、通用性

Spark提供了统一的解决方案，适用于批处理、交互式查询(SparkSQL)、实时流处理(SparkStreaming)、机器学习(SparkMLlib)和图计算(GraphX)，它们可以在同一个应用程序中无缝地结合使用，大大减少大数据开发和维护的人力成本和部署平台的物力成本。

4、兼容性

Spark开发容pSpark可以运行在Hadoop模式、Mesos模式、Standalone独立模式或Cloud中，并且还可以访问各种数据源，包括本地文件系统、HDFS、Cassandra、HBase和Hive等。

三、什么是RDD，宽依赖、窄依赖

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。

窄依赖：表现为一个父RDD的分区对应于一个子RDD的分区或者多个父RDD的分区对应于一个子RDD的分区。

宽依赖：表现为存在一个父RDD的一个分区对应一个子RDD的多个分区。

四、定义与使用数组

数组是Scala中常用的一种数据结构，数组是一种存储了相同类型元素的固定大小的顺序集合。

(1).scala定义一个数组的方法

**(2).数组常用的方法 **

**扩展:Scala可以使用range()方法创建区间数组 **

(3).定义与使用函数

函数是Scala的重要组成部分，Scala作为支持函数式编程的语言，可以将函数作为对象.

定义函数的语法格式如下:

匿名函数:

• 匿名函数即在定义函数时不给出函数名的函数。
• Scala中匿名函数是使用箭头“=>”定义的，箭头的左边是参数列表，箭头的右边是表达式，表达式将产生函数的结果。
• 通常可以将匿名函数赋值给一个常量或变量，再通过常量名或变量名调用该函数。
• 若函数中的每个参数在函数中最多只出现一次，则可以使用占位符“_”代替参数。

**Scala中常用的查看列表元素的方法有head、init、last、tail和take()**。
•head：查看列表的第一个元素。

            •tail：查看第一个元素之后的其余元素。

            •last：查看列表的最后一个元素。

            •Init：查看除最后一个元素外的所有元素。

            •take()：查看列表前n个元素。

合并两个列表还可以使用concat()方法。
用户可以使用contains()方法判断列表中是否包含某个元素，若列表中存在指定的元素则返回true，否则返回false。

Scala Set(集合)是没有重复的对象集合，所有的元素都是唯一的。

(4).集合操作常用方法:

Scala合并两个列表时使用的是:::()或concat()方法，而合并两个集合使用的是++()方法。

(5).用函数组合器

map()方法

可通过一个函数重新计算列表中的所有元素，并且返回一个包含相同数目元素的新列表。

**foreach()**方法

和**map()**方法类似，但是foreach()方法没有返回值，只用于对参数的结果进行输出。

**filter()**方法

可以移除传入函数的返回值为false的元素

**flatten()**方法

可以将嵌套的结构展开，即flatten()方法可以将一个二维的列表展开成一个一维的列表。

**flatMap()**方法

结合了map()方法和flatten()方法的功能，接收一个可以处理嵌套列表的函数，再对返回结果进行连接。

groupBy()方法

可对集合中的元素进行分组操作，返回的结果是一个映射。

五、创建RDD

从内存中读取数据创建RDD

(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。

可以使用

SparkContext

的

parallelize

方法将一个已有的集合转换为RDD。

基本语法：

parallelize(collection, numSlices=None)

示例：

import org.apache.spark.{SparkConf, SparkContext}
 
val conf = new SparkConf().setAppName("ParallelizeExample").setMaster("local")
val sc = new SparkContext(conf)
 
val data = Array(1, 2, 3, 4, 5)
val rdd = sc.parallelize(data)
 
rdd.foreach(println)
 
sc.stop()

效果展示：

(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。

从外部存储系统中读取数据创建RDD

（1）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。

（2）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.

示例：

六、操作方法

1.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() 方法用于对集合（如列表、数组、映射等）中的每个元素应用一个函数，并返回结果的新集合。

示例:

val list = List(1, 2, 3, 4, 5)
val incremented = list.map(x => x + 1)

2.sortBy() 方法:

用于对标准RDD进行排序，有3个可输入参数

• 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。
• 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。
• 第一个参数是必须输入的，而后面的两个参数可以不输入

示例：

val list = List(3, 1, 4, 1, 5, 9, 2, 6)
val sortedList = list.sortBy(x => x)
// sortedList: List[Int] = List(1, 1, 2, 3, 4, 5, 6, 9)

3.

collect()

方法

是一种行动操作，可以将RDD中所有元素转换成数组并返回到Driver端，适用于返回处理后的少量数据。

因为需要从集群各个节点收集数据到本地，经过网络传输，并且加载到Driver内存中，所以如果数据量比较大，会给网络传输造成很大的压力。 因此，数据量较大时，尽量不使用collect()方法，否则可能导致Driver端出现内存溢出问题。

collect()方法有以下两种操作方式：

1.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。

2.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为1的值替换为“one”，将其他值替换为“other”。

4.flatMap()方法

将函数参数应用于RDD之中的每一个元素，将返回的迭代器（如数组、列表等）中的所有元素构成新的RDD。

示例：

5.take（）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。

示例：获取RDD的前5个元素

七、转换操作和行动操作

对于RDD有两种计算方式：
转换操作（返回值还是一个RDD）---也叫懒操作，不是立即执行
执行操作（返回值不是一个RDD）---立即执行

转换操作

（1）union()方法

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。

示例：

（2）filter()方法

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。

示例：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。

（3）distinct()方法

用于RDD的数据去重，去除两个完全相同的元素，没有参数。

示例：创建一个带有重复数据的RDD，并使用distinct()方法去重。

（4）

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。

示例：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

（5）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。

示例：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。

（6）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。

示例：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。

（7）其他方法

行动操作

执行操作会返回结果或把RDD数据写到存储系统中。Actions是触发Spark启动计算的动因。

八、创建键值对RDD的方法

1.reduceByKey()方法

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。

示例：

2.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。 对于一个由类型K的键和类型V的值组成的RDD，通过groupByKey()方法得到的RDD类型是[K,Iterable[V]]。

3.combineByKey()

方法

用于执行基于键的聚合操作的高级转换函数之一。它提供了一种灵活的方式来对每个键的值进行聚合，而不需要事先进行预先聚合或排序。

import org.apache.spark.{SparkConf, SparkContext}
 
object CombineByKeyExample {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName("CombineByKeyExample").setMaster("local[*]")
    val sc = new SparkContext(conf)
 
    // 创建一个包含键值对的RDD
    val rdd = sc.parallelize(Seq(("apple", 3), ("banana", 5), ("apple", 7), ("banana", 2), ("orange", 1)))
 
    // 使用combineByKey方法进行基于键的聚合操作
    val aggregatedRDD = rdd.combineByKey(
      createCombiner = (v: Int) => (v, 1), // 初始化值为(v, 1)，其中v是值，1表示计数
      mergeValue = (acc: (Int, Int), v: Int) => (acc._1 + v, acc._2 + 1), // 将新值合并到已存在的聚合值中，并更新计数
      mergeCombiners = (acc1: (Int, Int), acc2: (Int, Int)) => (acc1._1 + acc2._1, acc1._2 + acc2._2) // 合并不同分区的聚合值，并更新计数
    )
 
    // 打印结果
    aggregatedRDD.collect().foreach(println)
 
    sc.stop()
  }
}

九、RDD连接方法

（1）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))。

示例：创建两个RDD，含有相同键和不同的键，通过join()方法进行内连接。

（2）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。

示例：

（3）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。

示例：

（4）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。

示例：

（5） 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。 **将两个RDD组合成Key/Value形式的RDD，这里要求两个RDD的partition数量以及元素数量都相同，否则会抛出异常。

（6）combineByKey()方法

合并相同键的值 ，是Spark中一个比较核心的高级方法，键值对的其他一些高级方法底层均是使用combineByKey()方法实现的，如groupByKey()方法、reduceByKey()方法等。

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()方法的使用方式如下：

combineByKey(createCombiner,mergeValue,mergeCombiners,numPartitions=None)

• 由于合并操作会遍历分区中所有的元素，因此每个元素（这里指的是键值对）的键只有两种情况：以前没出现过或以前出现过。对于这两种情况，3个参数的执行情况描述如下。
• 如果以前没出现过，则执行的是createCombiner()方法，createCombiner()方法会在新遇到的键对应的累加器中赋予初始值，否则执行mergeValue()方法。
• 对于已经出现过的键，调用mergeValue()方法进行合并操作，对该键的累加器对应的当前值（C）与新值（V）进行合并。
• 由于每个分区都是独立处理的，因此对于同一个键可以有多个累加器。如果有两个或更多的分区都有对应同一个键的累加器，就需要使用用户提供的mergeCombiners()方法对各个分区的结果（全是C）进行合并。
• 

（7）lookup()方法

查找指定键的值 ，用于键值对RDD，返回指定键的所有值。lookup()方法查找指定键的值

十、查看DataFrame数据

查看及获取数据的常用函数或方法

**将movies.dat电影数据上传至HDFS中，加载数据为RDD并将其转换为DataFrame. **

*1. printSchema：输出数据模式*

printSchema函数查看数据模式，打印出列的名称和类型

**2. show()**：查看数据

show()方法与show(true)方法一样，只显示前20条记录并且最多只显示20个字符

若是要显示所有字符，需要使用show(false)方法

*3．*first()/head()/take()/takeAsList()**：获取若干条记录

*4．*collect()/collectAsList()**：获取所有数据

collect方法可以将DataFrame中的所有数据都获取到，并返回一个数组。

collectAsList方法可以获取所有数据，返回一个列表。

十一、将DataFrame注册成为临时表，然后通过SQL语句进行查询

直接在DataFrame对象上进行查询，DataFrame提供了很多查询的方法

*1．*where()/filter()**方法

a.where()方法

DataFrame可以使用where(conditionExpr: String)根据指定条件进行查询

参数中可以使用and或or

该方法的返回结果仍然为DataFrame类型

b.filter()方法

DataFrame还可使用filter筛选符合条件的数据

*2．*select()/selectExpr()/col()/apply()**方法

a.select()方法：获取指定字段值

select方法根据传入的string类型字段名，获取指定字段的值，以DataFrame类型返回

b.selectExpr()方法：对指定字段进行特殊处理

selectExpr：对指定字段进行特殊处理，可以对指定字段调用UDF函数或者指定别名。

selectExpr传入String类型的参数，返回DataFrame对象。

c.col()/apply()方法

col或者apply也可以获取DataFrame指定字段

col或者apply只能获取一个字段，并且返回对象为Column类型

3.orderBy()/sort()方法

orderBy()方法用于根据指定字段对数据进行排序，默认为升序排序。若要求降序排序， orderBy(方法的参数可以使用“desc("字段段名称")”或“$"字段名称".desc”，也可以在指定字段前面加“-”。使用orderBy()方法根据u serId 字段对 user对象进行降序排序，如代码下：

使用 orderBy()方法根据 userId字段对寸user 对象进行降序排序

val userOrderBy = user.orderBy(deesc("userId"))
val userOrderBy = user.orderBy($" userId".desc)
val userOrderBy =u iser.orderBy(-user("userId"))