Spark常用算子分析與應用
1、算子概述
- 什麼是算子
- 英文翻譯爲:Operator(簡稱op)
- 狹義:指從一個函數空間到另一個函數空間(或它自身)的映射。
- 廣義:指從一個空間到另一個空間的映射
- 通俗理解:指事物(數據或函數)從一個狀態到另外一個狀態的過程抽象。
- 實質就是映射,就是關係,就是變換。
- 算子的重要作用
- 算子越少,靈活性越低,則實現相同功能的編程複雜度越高,算子越多則反之。
- 老手機與智能手機
- 老電腦與新電腦之HDMI (跟VGA是對等的)
- 算子越少,表現力越差,面對複雜場景則易用性較差。算子越多的則反之。
- 黑白彩電與彩色電視
- 彩色電視和智能電視
- 算子越少,靈活性越低,則實現相同功能的編程複雜度越高,算子越多則反之。
- MapReduce 與 Spark算子比較
- MapReduce只有2個算子,Map和Reduce,絕大多數應用場景下,均需要複雜編碼才能達到用戶需求。
- Spark有80多個算子,進行充分的組合應用後,能滿足絕大多數的應用場景。
2、Spark算子介紹與應用
2.1 算子分類
1 轉換算子(Transformation)
此種算子不觸發提交作業,只有作業被提交後纔會真正啓動轉換計算。
- Value型轉換算子:其處理的數據項是Value型
- 輸入分區與輸出分區一對一型
- map算子
- flatMap算子
- mapPartitions算子
- glom算子
- 輸入分區與輸出分區多對一型
- union算子
- cartesian算子
- 輸入分區與輸出分區多對多型
- groupBy算子
- 輸出分區爲輸入分區子集型
- filter算子
- distinct算子
- subtract算子
- sample算子
- takeSample算子
- Cache型
- cache算子
- persist算子
- 輸入分區與輸出分區一對一型
- Key-Value型轉換算子:其處理的數據是Key-Value型
- 輸入分區與輸出分區一對一
- mapValues算子
- 對單個RDD聚集
- combineByKey算子
- reduceByKey算子
- partitionBy算子
- 對兩個RDD聚集
- cogroup算子
- 連接
- join算子
- leftOutJoin算子
- rightOutJoin算子
- 輸入分區與輸出分區一對一
2 行動算子(Action)
此種算子會觸發SparkContext提交作業。
- 無輸出(是指不輸出hdfs、本地文件當中)
- foreach算子
- HDFS
- saveAsTextFile算子
- saveAsObjectFile算子
- Scala集合和數據類型
- collect算子
- collectAsMap算子
- reduceByKeyLocally算子
- lookup算子
- count算子
- top算子
- reduce算子
- fold算子
- aggregate算子
2.2 常用算子分析與應用
2.2.1 Value型轉換算子
- 1) map
- 類比於mapreduce中的map操作,給定一個輸入通過map函數映到成一個新的元素輸出
- case_1
- 類比於mapreduce中的map操作,給定一個輸入通過map函數映到成一個新的元素輸出
val first = sc.parallelize(List("Hello","World","天亮教育","大數據"),2)
val second= first.map(_.length)
second.collect
-
-
- case_2
-
val first = sc.parallelize(1 to 5,2)
first.map(1 to _).collect
- 2) flatMap
- 給定一個輸入,將返回的所有結果打平成一個一維集合結構
- case_1
- 給定一個輸入,將返回的所有結果打平成一個一維集合結構
val first = sc.parallelize(1 to 5,2)
first.flatMap(1 to _).collect
-
-
- case_2
-
val first = sc.parallelize(List("one","two","three"),2)
first.flatMap(x => List(x,x,x)).collect
-
-
- case_3
-
val first = sc.parallelize(List("one","two","three"),2)
first.flatMap(x => List(x+"_1",x+"_2",x+"_3")).collect
- 3) mapPartitions
- 以分區爲單位進行計算處理,而map是以每個元素爲單位進行計算處理。
- 當在map過程中需要頻繁創建額外對象時,如文件輸出流操作、jdbc操作、Socket操作等時,當用mapPartitions算子
- case_1
val rdd=sc.parallelize(Seq(1,2,3,4,5),3)
var rdd2=rdd.mapPartitions(partition=>{
partition.map(num => num * num)
}
)
rdd2.max
-
-
- case_2
-
val rdd=sc.parallelize(Seq(1,2,3,4,5),3)
var rdd2=rdd.mapPartitions(partition=>{
partition.flatMap(1 to _)
}
)
rdd2.count
- 4) glom
以分區爲單位,將每個分區的值形成一個數組
val a = sc.parallelize(Seq("one","two","three","four","five","six","seven"),3)
a.glom.collect
- 5) union算子
- 將兩個RDD合併成一個RDD,並不去重
- 會發生多分區合併成一個分區的情況
val a = sc.parallelize(1 to 4, 2)
val b = sc.parallelize(3 to 6, 2)
a.union(b).collect
(a ++ b).collect
(a union b).collect
- 6) groupBy算子
輸入分區與輸出分區多對多型
val a = sc.parallelize(Seq(1,3,4,5,9,100,200), 3)
a.groupBy(x => { if (x > 10) ">10" else "<=10" }).collect
- 7) filter算子
輸出分區爲輸入分區子集型
val a = sc.parallelize(1 to 21, 3)
val b = a.filter(_ % 4 == 0)
b.collect
- 8 ) distinct算子
輸出分區爲輸入分區子集型,全局去重
-
-
- case_1
-
val a = sc.parallelize(1 to 4, 2)
val b = sc.parallelize(3 to 6, 2)
a.union(b).distinct().collect
-
-
- case_2
-
val c = sc.parallelize(List("張三", "李四", "李四", "王五"), 2)
c.distinct.collect
- 9) cache算子
- cache 將 RDD 元素從磁盤緩存到內存。 相當於 persist(MEMORY_ONLY) 函數的功能。
- 主要應用在當RDD數據反覆被使用的場景下
- case_1
val a = sc.parallelize(1 to 4, 2)
val b = sc.parallelize(3 to 6, 2)
a.union(b).count
a.union(b).distinct().collect
-
-
- case_2
-
val a = sc.parallelize(1 to 4, 2)
val b = sc.parallelize(3 to 6, 2)
val c=a.union(b).cache
c.count
c.distinct().collect
2.2.2 Key-Value型轉換算子
其處理的數據是Key-Value型
- 1)mapValues算子
- 輸入分區與輸出分區一對一
- 針對(Key,Value)型數據中的 Value 進行 Map 操作,而不對 Key 進行處理。
val first = sc.parallelize(List(("張一",1),("張二",2),("張三",3),("張四",4)),2)
val second= first.mapValues(x=>x+1)
second.collect
- 2)combineByKey算子
- 定義
def combineByKey[C](
createCombiner: (V) => C,
mergeValue: (C, V) => C,
mergeCombiners: (C, C) => C): RDD[(String, C)]
- createCombiner:對每個分區內的同組元素如何聚合,形成一個累加器
- mergeValue:將前邊的累加器與新遇到的值進行合併的方法
- mergeCombiners:每個分區都是獨立處理,故同一個鍵可以有多個累加器。如果有兩個或者更多的分區都有對應同 一個鍵的累 加器,用方法將各個分區的結果進行合併。
- case_1
val first = sc.parallelize(List(("張一",1),("李一",1),("張一",2),("張一",3),("李一",3),("李三",3),("張四",4)),2)
val second= first.combineByKey(List(_), (x:List[Int], y:Int) => y :: x, (x:List[Int], y:List[Int]) => x ::: y)
second.collect
- 3)reduceByKey算子
- 按key聚合後對組進行歸約處理,如求和、連接等操作
val first = sc.parallelize(List("小米", "華爲", "小米", "小米", "華爲", "蘋果"), 2)
val second = first.map(x => (x, 1))
second.reduceByKey(_ + _).collect
- 4)join算子
- 對Key-Value結構的RDD進行按Key的join操作,最後將V部分做flat打平操作。
val first = sc.parallelize(List(("張一",11),("李二",12)),2)
val second = sc.parallelize(List(("張一",21),("李二",22),("王五",23)),2)
first.join(second).collect
2.2.3 行動算子(Action)
- 此種算子會觸發SparkContext提交作業。觸發了RDD DAG 的執行。
- 1) 無輸出型:不落地到文件或是hdfs的作用
- foreach算子
val first = sc.parallelize(List("小米", "華爲", "小米", "小米", "華爲", "蘋果"), 2)
first.foreach(println _)
- 2) HDFS輸出型
- saveAsTextFile算子
val first = sc.parallelize(List("小米", "華爲", "小米", "小米", "華爲", "蘋果"), 2)
//指定本地保存的目錄
first.saveAsTextFile("file:///home/spark/text")
//指定hdfs保存的目錄,默認亦保存在hdfs中
first.saveAsTextFile("spark_shell_output_1")
- Scala集合和數據類型
- 3) collect算子
- 相當於toArray操作,將分佈式RDD返回成爲一個scala array數組結果,實際是Driver所在的機器節點,再針對該結果操作
- 3) collect算子
val first = sc.parallelize(List("小米", "華爲", "小米", "小米", "華爲", "蘋果"), 2)
first.collect
- 4) collectAsMap算子
- 相當於toMap操作,將分佈式RDD的kv對形式返回成爲一個的scala map集合,實際是Driver所在的機器節點,再針對該結果操作
val first = sc.parallelize(List(("張一",1),("李一",1),("張一",2),("張一",3),("李一",3),("李三",3),("張四",4)),2)
first.collectAsMap
- 5)lookup算子
- 對(Key,Value)型的RDD操作,返回指定Key對應的元素形成的Seq。
val first = sc.parallelize(List("小米", "華爲", "華米", "大米", "蘋果","米老鼠"), 2)
val second=first.map(x=>({if(x.contains("米")) "有米" else "無米"},x))
second.lookup("有米")
- 6) reduce算子
- 先對兩個元素進行reduce函數操作,然後將結果和迭代器取出的下一個元素進行reduce函數操作,直到迭代器遍歷完所有元素,得到最後結果。
//求value型列表的和
val a = sc.parallelize(1 to 10, 2)
a.reduce(_ + _)
//求key-value型列表的value的和
val a = sc.parallelize(List(("one",1),("two",2),("three",3),("four",4)), 2)
a.reduce((x,y)=>("sum",x._2 + y._2))._2
- 7) fold算子
- fold算子簽名: def fold(zeroValue: T)(op: (T, T) => T): T
- 其實就是先對rdd分區的每一個分區進行op函數,在調用op函數過程中將zeroValue參與計算,最後在對所有分區的結果調用op函數,同理此處zeroValue再次參與計算。
//和是41,公式=(1+2+3+4+5+6+10)+10
sc.parallelize(List(1, 2, 3, 4, 5, 6), 1).fold(10)(_+_)
//和是51,公式=(1+2+3+10)+(4+5+6+10)+10=51
sc.parallelize(List(1, 2, 3, 4, 5, 6), 2).fold(10)(_+_)
//和是61,公式=(1+2+10)+(3+4+10)+(5+6+10)+10=61
sc.parallelize(List(1, 2, 3, 4, 5, 6), 3).fold(10)(_+_)