RDD 基础操作

xiaoxiao2021-02-27  320

本文主要是讲解spark里RDD的基础操作。RDD是spark特有的数据模型,谈到RDD就会提到什么弹性分布式数据集,什么有向无环图,本文暂时不去展开这些高深概念,在阅读本文时候,大家可以就把RDD当作一个数组,这样的理解对我们学习RDD的API是非常有帮助的。本文所有示例代码都是使用scala语言编写的。

  Spark里的计算都是操作RDD进行,那么学习RDD的第一个问题就是如何构建RDD,构建RDD从数据来源角度分为两类:第一类是从内存里直接读取数据,第二类就是从文件系统里读取,当然这里的文件系统种类很多常见的就是HDFS以及本地文件系统了。

  第一类方式从内存里构造RDD,使用的方法:makeRDD和parallelize方法,如下代码所示:

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 /* 使用makeRDD创建RDD */ /* List */ val rdd 01 = sc.makeRDD(List( 1 , 2 , 3 , 4 , 5 , 6 )) val r 01 = rdd 01 .map { x = > x * x } println(r 01 .collect().mkString( "," )) /* Array */ val rdd 02 = sc.makeRDD(Array( 1 , 2 , 3 , 4 , 5 , 6 )) val r 02 = rdd 02 .filter { x = > x < 5 } println(r 02 .collect().mkString( "," ))   val rdd 03 = sc.parallelize(List( 1 , 2 , 3 , 4 , 5 , 6 ), 1 ) val r 03 = rdd 03 .map { x = > x + 1 } println(r 03 .collect().mkString( "," )) /* Array */ val rdd 04 = sc.parallelize(List( 1 , 2 , 3 , 4 , 5 , 6 ), 1 ) val r 04 = rdd 04 .filter { x = > x > 3 } println(r 04 .collect().mkString( "," ))

 

  大家看到了RDD本质就是一个数组,因此构造数据时候使用的是List(链表)和Array(数组)类型。

  第二类方式是通过文件系统构造RDD,代码如下所示:

1 2 3 val rdd : RDD[String] = sc.textFile( "file:///D:/sparkdata.txt" , 1 ) val r : RDD[String] = rdd.flatMap { x = > x.split( "," ) } println(r.collect().mkString( "," ))

  这里例子使用的是本地文件系统,所以文件路径协议前缀是file://。

  构造了RDD对象了,接下来就是如何操作RDD对象了,RDD的操作分为转化操作(transformation)和行动操作(action),RDD之所以将操作分成这两类这是和RDD惰性运算有关,当RDD执行转化操作时候,实际计算并没有被执行,只有当RDD执行行动操作时候才会促发计算任务提交,执行相应的计算操作。区别转化操作和行动操作也非常简单,转化操作就是从一个RDD产生一个新的RDD操作,而行动操作就是进行实际的计算。

  下面是RDD的基础操作API介绍:

操作类型

函数名

作用

转化操作

map()

参数是函数,函数应用于RDD每一个元素,返回值是新的RDD

flatMap()

参数是函数,函数应用于RDD每一个元素,将元素数据进行拆分,变成迭代器,返回值是新的RDD

filter()

参数是函数,函数会过滤掉不符合条件的元素,返回值是新的RDD

distinct()

没有参数,将RDD里的元素进行去重操作

union()

参数是RDD,生成包含两个RDD所有元素的新RDD

intersection()

参数是RDD,求出两个RDD的共同元素

subtract()

参数是RDD,将原RDD里和参数RDD里相同的元素去掉

cartesian()

参数是RDD,求两个RDD的笛卡儿积

行动操作

collect()

返回RDD所有元素

count()

RDD里元素个数

countByValue()

各元素在RDD中出现次数

reduce()

并行整合所有RDD数据,例如求和操作

fold(0)(func)

和reduce功能一样,不过fold带有初始值

aggregate(0)(seqOp,combop)

和reduce功能一样,但是返回的RDD数据类型和原RDD不一样

foreach(func)

对RDD每个元素都是使用特定函数

  下面是以上API操作的示例代码,如下:

  转化操作:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 val rddInt : RDD[Int] = sc.makeRDD(List( 1 , 2 , 3 , 4 , 5 , 6 , 2 , 5 , 1 )) val rddStr : RDD[String] = sc.parallelize(Array( "a" , "b" , "c" , "d" , "b" , "a" ), 1 ) val rddFile : RDD[String] = sc.textFile(path, 1 )   val rdd 01 : RDD[Int] = sc.makeRDD(List( 1 , 3 , 5 , 3 )) val rdd 02 : RDD[Int] = sc.makeRDD(List( 2 , 4 , 5 , 1 ))   /* map操作 */ println( "======map操作======" ) println(rddInt.map(x = > x + 1 ).collect().mkString( "," )) println( "======map操作======" ) /* filter操作 */ println( "======filter操作======" ) println(rddInt.filter(x = > x > 4 ).collect().mkString( "," )) println( "======filter操作======" ) /* flatMap操作 */ println( "======flatMap操作======" ) println(rddFile.flatMap { x = > x.split( "," ) }.first()) println( "======flatMap操作======" ) /* distinct去重操作 */ println( "======distinct去重======" ) println(rddInt.distinct().collect().mkString( "," )) println(rddStr.distinct().collect().mkString( "," )) println( "======distinct去重======" ) /* union操作 */ println( "======union操作======" ) println(rdd 01 .union(rdd 02 ).collect().mkString( "," )) println( "======union操作======" ) /* intersection操作 */ println( "======intersection操作======" ) println(rdd 01 .intersection(rdd 02 ).collect().mkString( "," )) println( "======intersection操作======" ) /* subtract操作 */ println( "======subtract操作======" ) println(rdd 01 .subtract(rdd 02 ).collect().mkString( "," )) println( "======subtract操作======" ) /* cartesian操作 */ println( "======cartesian操作======" ) println(rdd 01 .cartesian(rdd 02 ).collect().mkString( "," )) println( "======cartesian操作======" )

  行动操作代码如下:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 val rddInt : RDD[Int] = sc.makeRDD(List( 1 , 2 , 3 , 4 , 5 , 6 , 2 , 5 , 1 )) val rddStr : RDD[String] = sc.parallelize(Array( "a" , "b" , "c" , "d" , "b" , "a" ), 1 )   /* count操作 */ println( "======count操作======" ) println(rddInt.count()) println( "======count操作======" )   /* countByValue操作 */ println( "======countByValue操作======" ) println(rddInt.countByValue()) println( "======countByValue操作======" ) /* reduce操作 */ println( "======countByValue操作======" ) println(rddInt.reduce((x ,y) = > x + y)) println( "======countByValue操作======" ) /* fold操作 */ println( "======fold操作======" ) println(rddInt.fold( 0 )((x ,y) = > x + y)) println( "======fold操作======" ) /* aggregate操作 */ println( "======aggregate操作======" ) val res : (Int,Int) = rddInt.aggregate(( 0 , 0 ))((x,y) = > (x. _ 1 + x. _ 2 ,y),(x,y) = > (x. _ 1 + x. _ 2 ,y. _ 1 + y. _ 2 )) println(res. _ 1 + "," + res. _ 2 ) println( "======aggregate操作======" ) /* foeach操作 */ println( "======foeach操作======" ) println(rddStr.foreach { x = > println(x) }) println( "======foeach操作======" )

  RDD操作暂时先学习到这里,剩下的内容在下一篇里再谈了,下面我要说说如何开发spark,安装spark的内容我后面会使用专门的文章进行讲解,这里我们假设已经安装好了spark,那么我们就可以在已经装好的spark服务器上使用spark-shell进行与spark交互的shell,这里我们直接可以敲打代码编写spark程序。但是spark-shell毕竟使用太麻烦,而且spark-shell一次只能使用一个用户,当另外一个用户要使用spark-shell就会把前一个用户踢掉,而且shell也没有IDE那种代码补全,代码校验的功能,使用起来很是痛苦。

  不过spark的确是一个神奇的框架,这里的神奇就是指spark本地开发调试非常简单,本地开发调试不需要任何已经装好的spark系统,我们只需要建立一个项目,这个项目可以是java的也可以是scala,然后我们将spark-assembly-1.6.1-hadoop2.6.0.jar这样的jar放入项目的环境里,这个时候我们就可以在本地开发调试spark程序了。

  大家请看我们装有scala插件的eclipse里的完整代码:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 package cn.com.sparktest   import org.apache.spark.SparkConf import org.apache.spark.SparkConf import org.apache.spark.SparkContext import org.apache.spark.rdd.RDD   object SparkTest {    val conf : SparkConf = new SparkConf().setAppName( "xtq" ).setMaster( "local[2]" )    val sc : SparkContext = new SparkContext(conf)        /**     * 创建数据的方式--从内存里构造数据(基础)     */    def createDataMethod() : Unit = {      /* 使用makeRDD创建RDD */      /* List */      val rdd 01 = sc.makeRDD(List( 1 , 2 , 3 , 4 , 5 , 6 ))      val r 01 = rdd 01 .map { x = > x * x }      println( "===================createDataMethod:makeRDD:List=====================" )      println(r 01 .collect().mkString( "," ))      println( "===================createDataMethod:makeRDD:List=====================" )      /* Array */      val rdd 02 = sc.makeRDD(Array( 1 , 2 , 3 , 4 , 5 , 6 ))      val r 02 = rdd 02 .filter { x = > x < 5 }      println( "===================createDataMethod:makeRDD:Array=====================" )      println(r 02 .collect().mkString( "," ))      println( "===================createDataMethod:makeRDD:Array=====================" )            /* 使用parallelize创建RDD */      /* List */      val rdd 03 = sc.parallelize(List( 1 , 2 , 3 , 4 , 5 , 6 ), 1 )      val r 03 = rdd 03 .map { x = > x + 1 }      println( "===================createDataMethod:parallelize:List=====================" )      println(r 03 .collect().mkString( "," ))      println( "===================createDataMethod:parallelize:List=====================" )      /* Array */      val rdd 04 = sc.parallelize(List( 1 , 2 , 3 , 4 , 5 , 6 ), 1 )      val r 04 = rdd 04 .filter { x = > x > 3 }      println( "===================createDataMethod:parallelize:Array=====================" )      println(r 04 .collect().mkString( "," ))      println( "===================createDataMethod:parallelize:Array=====================" )    }        /**     * 创建Pair Map     */    def createPairRDD() : Unit = {      val rdd : RDD[(String,Int)] = sc.makeRDD(List(( "key01" , 1 ),( "key02" , 2 ),( "key03" , 3 )))      val r : RDD[String] = rdd.keys      println( "===========================createPairRDD=================================" )      println(r.collect().mkString( "," ))      println( "===========================createPairRDD=================================" )    }        /**     * 通过文件创建RDD     * 文件数据:     *    key01,1,2.3            key02,5,3.7        key03,23,4.8        key04,12,3.9        key05,7,1.3     */    def createDataFromFile(path : String) : Unit = {      val rdd : RDD[String] = sc.textFile(path, 1 )      val r : RDD[String] = rdd.flatMap { x = > x.split( "," ) }      println( "=========================createDataFromFile==================================" )      println(r.collect().mkString( "," ))      println( "=========================createDataFromFile==================================" )    }        /**     * 基本的RDD操作     */    def basicTransformRDD(path : String) : Unit = {      val rddInt : RDD[Int] = sc.makeRDD(List( 1 , 2 , 3 , 4 , 5 , 6 , 2 , 5 , 1 ))      val rddStr : RDD[String] = sc.parallelize(Array( "a" , "b" , "c" , "d" , "b" , "a" ), 1 )      val rddFile : RDD[String] = sc.textFile(path, 1 )            val rdd 01 : RDD[Int] = sc.makeRDD(List( 1 , 3 , 5 , 3 ))      val rdd 02 : RDD[Int] = sc.makeRDD(List( 2 , 4 , 5 , 1 ))        /* map操作 */      println( "======map操作======" )      println(rddInt.map(x = > x + 1 ).collect().mkString( "," ))      println( "======map操作======" )      /* filter操作 */      println( "======filter操作======" )      println(rddInt.filter(x = > x > 4 ).collect().mkString( "," ))      println( "======filter操作======" )      /* flatMap操作 */      println( "======flatMap操作======" )      println(rddFile.flatMap { x = > x.split( "," ) }.first())      println( "======flatMap操作======" )      /* distinct去重操作 */      println( "======distinct去重======" )      println(rddInt.distinct().collect().mkString( "," ))      println(rddStr.distinct().collect().mkString( "," ))      println( "======distinct去重======" )      /* union操作 */      println( "======union操作======" )      println(rdd 01 .union(rdd 02 ).collect().mkString( "," ))      println( "======union操作======" )      /* intersection操作 */      println( "======intersection操作======" )      println(rdd 01 .intersection(rdd 02 ).collect().mkString( "," ))      println( "======intersection操作======" )      /* subtract操作 */      println( "======subtract操作======" )      println(rdd 01 .subtract(rdd 02 ).collect().mkString( "," ))      println( "======subtract操作======" )      /* cartesian操作 */      println( "======cartesian操作======" )      println(rdd 01 .cartesian(rdd 02 ).collect().mkString( "," ))      println( "======cartesian操作======" )       }        /**     * 基本的RDD行动操作     */    def basicActionRDD() : Unit = {      val rddInt : RDD[Int] = sc.makeRDD(List( 1 , 2 , 3 , 4 , 5 , 6 , 2 , 5 , 1 ))      val rddStr : RDD[String] = sc.parallelize(Array( "a" , "b" , "c" , "d" , "b" , "a" ), 1 )            /* count操作 */      println( "======count操作======" )      println(rddInt.count())      println( "======count操作======" )        /* countByValue操作 */      println( "======countByValue操作======" )      println(rddInt.countByValue())      println( "======countByValue操作======" )      /* reduce操作 */      println( "======countByValue操作======" )      println(rddInt.reduce((x ,y) = > x + y))      println( "======countByValue操作======" )      /* fold操作 */      println( "======fold操作======" )      println(rddInt.fold( 0 )((x ,y) = > x + y))      println( "======fold操作======" )      /* aggregate操作 */      println( "======aggregate操作======" )      val res : (Int,Int) = rddInt.aggregate(( 0 , 0 ))((x,y) = > (x. _ 1 + x. _ 2 ,y),(x,y) = > (x. _ 1 + x. _ 2 ,y. _ 1 + y. _ 2 ))      println(res. _ 1 + "," + res. _ 2 )      println( "======aggregate操作======" )      /* foeach操作 */      println( "======foeach操作======" )      println(rddStr.foreach { x = > println(x) })      println( "======foeach操作======" )       }        def main(args : Array[String]) : Unit = {      println(System.getenv( "HADOOP_HOME" ))      createDataMethod()      createPairRDD()      createDataFromFile( "file:///D:/sparkdata.txt" )      basicTransformRDD( "file:///D:/sparkdata.txt" )      basicActionRDD()      /*打印结果*/      /*D://hadoop ===================createDataMethod:makeRDD:List===================== 1,4,9,16,25,36 ===================createDataMethod:makeRDD:List===================== ===================createDataMethod:makeRDD:Array===================== 1,2,3,4 ===================createDataMethod:makeRDD:Array===================== ===================createDataMethod:parallelize:List===================== 2,3,4,5,6,7 ===================createDataMethod:parallelize:List===================== ===================createDataMethod:parallelize:Array===================== 4,5,6 ===================createDataMethod:parallelize:Array===================== ===========================createPairRDD================================= key01,key02,key03 ===========================createPairRDD================================= key01,1,2.3,key02,5,3.7,key03,23,4.8,key04,12,3.9,key05,7,1.3 =========================createDataFromFile================================== 2,3,4,5,6,7,3,6,2 ======map操作====== ======filter操作====== 5,6,5 ======filter操作====== ======flatMap操作====== key01 ======flatMap操作====== ======distinct去重====== 4,6,2,1,3,5 ======distinct去重====== ======union操作====== 1,3,5,3,2,4,5,1 ======union操作====== ======intersection操作====== 1,5 ======intersection操作====== ======subtract操作====== 3,3 ======subtract操作====== ======cartesian操作====== (1,2),(1,4),(3,2),(3,4),(1,5),(1,1),(3,5),(3,1),(5,2),(5,4),(3,2),(3,4),(5,5),(5,1),(3,5),(3,1) ======cartesian操作====== ======count操作====== 9 ======count操作====== ======countByValue操作====== Map(5 -> 2, 1 -> 2, 6 -> 1, 2 -> 2, 3 -> 1, 4 -> 1) ======countByValue操作====== ======countByValue操作====== 29 ======countByValue操作====== ======fold操作====== 29 ======fold操作====== ======aggregate操作====== 19,10 ======aggregate操作====== ======foeach操作====== a b c d b a ======foeach操作======*/    } }

  Spark执行时候我们需要构造一个SparkContenxt的环境变量,构造环境变量时候需要构造一个SparkConf对象,例如代码:setAppName("xtq").setMaster("local[2]")

  appName就是spark任务名称,master为local[2]是指使用本地模式,启动2个线程完成spark任务。

  在eclipse里运行spark程序时候,会报出如下错误:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 java.io.IOException : Could not locate executable null \bin\winutils.exe in the Hadoop binaries.      at org.apache.hadoop.util.Shell.getQualifiedBinPath(Shell.java : 355 )      at org.apache.hadoop.util.Shell.getWinUtilsPath(Shell.java : 370 )      at org.apache.hadoop.util.Shell.<clinit>(Shell.java : 363 )      at org.apache.hadoop.util.StringUtils.<clinit>(StringUtils.java : 79 )      at org.apache.hadoop.security.Groups.parseStaticMapping(Groups.java : 104 )      at org.apache.hadoop.security.Groups.<init>(Groups.java : 86 )      at org.apache.hadoop.security.Groups.<init>(Groups.java : 66 )      at org.apache.hadoop.security.Groups.getUserToGroupsMappingService(Groups.java : 280 )      at org.apache.hadoop.security.UserGroupInformation.initialize(UserGroupInformation.java : 271 )      at org.apache.hadoop.security.UserGroupInformation.ensureInitialized(UserGroupInformation.java : 248 )      at org.apache.hadoop.security.UserGroupInformation.loginUserFromSubject(UserGroupInformation.java : 763 )      at org.apache.hadoop.security.UserGroupInformation.getLoginUser(UserGroupInformation.java : 748 )      at org.apache.hadoop.security.UserGroupInformation.getCurrentUser(UserGroupInformation.java : 621 )      at org.apache.spark.util.Utils$$anonfun$getCurrentUserName$ 1 .apply(Utils.scala : 2160 )      at org.apache.spark.util.Utils$$anonfun$getCurrentUserName$ 1 .apply(Utils.scala : 2160 )      at scala.Option.getOrElse(Option.scala : 120 )      at org.apache.spark.util.Utils$.getCurrentUserName(Utils.scala : 2160 )      at org.apache.spark.SparkContext.<init>(SparkContext.scala : 322 )      at cn.com.sparktest.SparkTest$.<init>(SparkTest.scala : 10 )      at cn.com.sparktest.SparkTest$.<clinit>(SparkTest.scala)      at cn.com.sparktest.SparkTest.main(SparkTest.scala)

  该错误不会影响程序的运算,但总是让人觉得不舒服,这个问题是因为spark运行依赖于hadoop,可是在window下其实是无法安装hadoop,只能使用cygwin模拟安装,而新版本的hadoop在windows下使用需要使用winutils.exe,解决这个问题很简单,就是下载一个winutils.exe,注意下自己操作系统是32位还是64位,找到对应版本,然后放置在这样的目录下:

  D:\hadoop\bin\winutils.exe

  然后再环境变量里定义HADOOP_HOME= D:\hadoop

  环境变量的改变要重启eclipse,这样环境变量才会生效,这个时候程序运行就不会报出错误了。

转载请注明原文地址: https://www.6miu.com/read-3980.html

最新回复(0)