spark结课之tip2

spark常用方法总结：

一、从内部创建RDD

(1).通过并行化集合（Parallelized Collections）：

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)

基础代码示例：

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()创建

版本的 Spark 中，通常使用 parallelize() 方法来创建 RDD，这个方法与 makeRDD() 类似，都是用来从集合创建 RDD。

基本语法：

parallelize(collection, numSlices=None)

基础代码示例：

from pyspark import SparkContext

# 创建 SparkContext 对象
sc = SparkContext("local", "parallelize Example")

# 创建一个列表
data = [1, 2, 3, 4, 5]

# 使用 parallelize() 方法创建 RDD
rdd = sc.parallelize(data)

# 打印 RDD 中的元素
for element in rdd.collect():
    print(element)

效果展示：

二、从外部创建RDD

Spark提供了多种方式来读取外部存储系统中的数据，通过外部存储系统（如HDFS、HBase等）读取数据创建RDD基础方式有五种：

1.**文本文件：**textFile

textFile() 方法是 Apache Spark 中用于从文件系统中读取文本文件的函数

基本语法：

textFile(path, minPartitions=None, use_unicode=True)

基础代码示例：

from pyspark import SparkContext

# 创建 SparkContext 对象
sc = SparkContext("local", "textFile Example")

# 读取文本文件
lines = sc.textFile("path/to/file.txt")

# 打印每一行
for line in lines.collect():
    print(line)

2.**Sequence文件：**sequenceFile() [扩充]

sequenceFile() 方法用于在 Apache Spark 中读取 Hadoop SequenceFile 格式的文件，并将其作为 RDD 返回。SequenceFile 是 Hadoop 中一种常用的二进制文件格式，通常用于存储键-值对数据。

​基本语法：

sequenceFile(path, keyClass=None, valueClass=None, keyConverter=None, valueConverter=None, minSplits=None, batchSize=0)

解释：

|----------------|-------------------------|
| 用法 | 解读 |
| collection | 是要转换为 RDD 的集合，通常是一个列表 |
| path | 要读取的 SequenceFile 文件的路径 |
| keyClass | 键的类名（可选） |
| valueClass | 值的类名（可选） |
| keyConverter | 键的转换器（可选） |
| valueConverter | 值的转换器（可选） |
| minSplits | 最小分片数（可选） |
| batchSize | 批处理大小（可选） |

基础代码示例：

from pyspark import SparkContext

# 创建 SparkContext 对象
sc = SparkContext("local", "sequenceFile Example")

# 读取 SequenceFile 文件并创建 RDD
data = sc.sequenceFile("hdfs://path/to/sequence_file")

# 打印 RDD 中的元素
for key, value in data.collect():
    print(key, value)

3.对象文件（Object files）：

objectFile() 方法用于在 Apache Spark 中读取以序列化形式保存的对象文件，并将其作为 RDD 返回。这种文件格式通常用于将对象序列化为字节流，并存储在文件中，以便在后续操作中进行读取和处理。

​基本语法：

objectFile(path, minPartitions=None, batchSize=0)

基础代码示例：

from pyspark import SparkContext

# 创建 SparkContext 对象
sc = SparkContext("local", "objectFile Example")

# 读取对象文件并创建 RDD
data = sc.objectFile("hdfs://path/to/object_file")

# 打印 RDD 中的元素
for obj in data.collect():
    print(obj)

4.**Hive表：**sql() 函数

在Spark中配置了Hive支持，你可以使用 sql() 函数执行Hive查询并将结果作为RDD返回。 sql() 方法是 SparkSession 类的一个成员方法，用于执行 SQL 查询并返回结果作为 DataFrame。sql() 方法可以让你直接在 Spark 中执行 SQL 查询，而不需要编写基于 RDD 的代码。

​基本语法：

DataFrame = sql(sqlQuery)

基础代码示例：

from pyspark.sql import SparkSession

# 创建 SparkSession 对象
spark = SparkSession.builder \
    .appName("SQL Example") \
    .getOrCreate()

# 创建 DataFrame
df = spark.createDataFrame([(1, 'Alice'), (2, 'Bob'), (3, 'Charlie')], ["id", "name"])

# 注册临时表
df.createOrReplaceTempView("people")

# 执行 SQL 查询
result = spark.sql("SELECT * FROM people")

# 显示结果
result.show()

​

5.JDBC连接:

使用 jdbc() 函数来连接关系型数据库，并通过执行SQL查询来创建RDD。

​基本语法：

jdbcDF = spark.read \
    .jdbc(url="jdbc:postgresql:dbserver", table="schema.tablename",
          properties={"user": "username", "password": "password"})

基础代码示例：

from pyspark.sql import SparkSession
spark = SparkSession.builder \
    .appName("JDBC Example") \
    .config("spark.driver.extraClassPath", "path/tobc-driver.jar") \
    .getOrCreate()

 jdbcDF = spark.read \
    .format("jdbc") \
    .option("url", "jdbc:postgresql://database_server:port/database_name") \
    .option("dbtable", "table_name") \
    .option("user", "username") \
    .option("password", "password") \
    .load()
jdbcDF.show()
spark.stop()

​操作算子：

Scala集合提供了丰富的计算算子，用于实现集合/数组的计算，这些计算子一般针对于List、Array、Set、Map、Range、Vector、Iterator等都可以适用

1.map()方法:

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。

​基本语法：

def map[B](f: (A) ⇒ B): List[B]

基础代码示例：

val list = List(1, 2, 3, 4, 5)
val incremented = list.map(x => x + 1)
// incremented: List[Int] = List(2, 3, 4, 5, 6)

效果展示：​

2.sortBy() 方法:

sortBy() 方法用于根据指定的标准对集合中的元素进行排序，并返回排序后的新集合。

​基本语法：

def sortBy[B](f: (A) ⇒ B)(implicit ord: Ordering[B]): List[A]

基础代码示例：

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)

效果展示：​

3.collect() 方法:

用于对集合中的元素进行筛选和转换，并返回符合条件的新集合。

​基本语法：

def collect[B](pf: PartialFunction[A, B]): List[B]

基础代码示例：

val list = List(1, 2, 3, "four", 5.5, "six")

val transformedList = list.collect {
  case i: Int => i * 2  // 对于整数类型的元素，将其乘以2
}

// transformedList: List[Int] = List(2, 4, 6)

效果展示：​

4.flatMap()方法：

flatMap() 方法是集合类（如列表、数组等）的常见操作之一，它结合了 map() 和 flatten() 两个操作，常用于在集合的元素上应用一个函数，并将结果展平成一个新的集合。

​基本语法：

def flatMap[B](f: (A) => IterableOnce[B]): IterableOnce[B]

基础代码示例：

val list = List(1, 2, 3, 4)
val result = list.flatMap(x => List(x, x * 2))

// result: List[Int] = List(1, 2, 2, 4, 3, 6, 4, 8)

效果展示：​

5.take（）方法：

take() 方法用于从集合中获取指定数量的元素，返回一个新的集合。

​基本语法：

def take(n: Int): Repr

基础代码示例：

val list = List(1, 2, 3, 4, 5)

// 取前3个元素
val result1 = list.take(3)
// result1: List[Int] = List(1, 2, 3)

// 对于空集合，take() 方法返回一个空集合
val emptyList = List.empty[Int]
val result2 = emptyList.take(3)
// result2: List[Int] = List()

// 如果指定的数量大于集合中的元素数量，将返回整个集合
val result3 = list.take(10)
// result3: List[Int] = List(1, 2, 3, 4, 5)

效果展示：

​

转换操作：

1.union（）方法：

union() 方法用于将两个集合合并成一个新的集合，去除重复的元素。它是集合类的方法之一，适用于 Set 和 Seq 类型的集合。

基础代码示例：

val set1 = Set(1, 2, 3)
val set2 = Set(3, 4, 5)

val result = set1.union(set2)
// result: Set[Int] = Set(1, 2, 3, 4, 5)

效果展示：​

2.filter() 方法:

基础代码示例：

val list = List(1, 2, 3, 4, 5)

val evenNumbers = list.filter(_ % 2 == 0)
// evenNumbers: List[Int] = List(2, 4)

效果展示：​

用于从集合中筛选出满足特定条件的元素，然后返回一个包含满足条件的元素的新集合。

3.distinst()方法：

distinct() 方法用于从集合中移除重复的元素，并返回一个包含唯一元素的新集合。这个方法适用于 Seq、Set 和 Map 类型的集合。

基础代码示例：

val list = List(1, 2, 2, 3, 3, 4, 5, 5)

val uniqueList = list.distinct
// uniqueList: List[Int] = List(1, 2, 3, 4, 5)

效果展示：​

4.intersection() 方法:

用于获取两个RDD（弹性分布式数据集）之间的交集。

基础代码示例：

import org.apache.spark.{SparkConf, SparkContext}

object RDDIntersectionExample {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName("RDDIntersectionExample").setMaster("local[*]")
    val sc = new SparkContext(conf)

    // 创建两个RDD
    val rdd1 = sc.parallelize(Seq(1, 2, 3, 4, 5))
    val rdd2 = sc.parallelize(Seq(4, 5, 6, 7, 8))

    // 计算两个RDD的交集
    val intersectionRDD = rdd1.intersection(rdd2)

    // 打印结果
    intersectionRDD.collect().foreach(println)

    sc.stop()
  }
}

效果展示：​

5.subtract() 方法:

用于从一个 RDD 中移除另一个 RDD 中包含的元素，得到两个 RDD 的差集。

基础代码示例：

import org.apache.spark.{SparkConf, SparkContext}

object RDDSubtractExample {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName("RDDSubtractExample").setMaster("local[*]")
    val sc = new SparkContext(conf)

    // 创建两个RDD
    val rdd1 = sc.parallelize(Seq(1, 2, 3, 4, 5))
    val rdd2 = sc.parallelize(Seq(4, 5, 6, 7, 8))

    // 计算两个RDD的差集
    val subtractRDD = rdd1.subtract(rdd2)

    // 打印结果
    subtractRDD.collect().foreach(println)

    sc.stop()
  }
}

效果展示：

6.cartesian() 方法:

用于计算两个 RDD 的笛卡尔积（Cartesian product）。笛卡尔积是两个集合之间的所有可能的组合，其中一个元素来自第一个集合，另一个元素来自第二个集合。

基础代码示例：

import org.apache.spark.{SparkConf, SparkContext}

object RDDCartesianExample {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName("RDDCartesianExample").setMaster("local[*]")
    val sc = new SparkContext(conf)

    // 创建两个RDD
    val rdd1 = sc.parallelize(Seq("A", "B", "C"))
    val rdd2 = sc.parallelize(Seq(1, 2, 3))

    // 计算两个RDD的笛卡尔积
    val cartesianRDD = rdd1.cartesian(rdd2)

    // 打印结果
    cartesianRDD.collect().foreach(println)

    sc.stop()
  }
}

效果展示：

创建键值对RDD的方法：

1.reduceByKey():

用于将具有相同键的元素进行归约操作。它接收一个函数作为参数，该函数定义了对具有相同键的值进行合并的方式，并返回一个新的 RDD。

基础代码示例：

import org.apache.spark.{SparkConf, SparkContext}

object ReduceByKeyExample {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName("ReduceByKeyExample").setMaster("local[*]")
    val sc = new SparkContext(conf)

    // 创建一个包含键值对的RDD
    val data = Seq(("a", 1), ("b", 2), ("a", 3), ("b", 4), ("c", 5))
    val rdd = sc.parallelize(data)

    // 对具有相同键的值进行求和
    val result = rdd.reduceByKey(_ + _)

    // 打印结果
    result.collect().foreach(println)

    sc.stop()
  }
}

效果展示：

2.groupBykey():

用于将具有相同键的元素进行分组。它接收一个键值对 RDD 作为输入，并返回一个新的 RDD，其中的元素是按键分组的。

基础代码示例：

import org.apache.spark.{SparkConf, SparkContext}

object GroupByKeyExample {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName("GroupByKeyExample").setMaster("local[*]")
    val sc = new SparkContext(conf)

    // 创建一个包含键值对的RDD
    val data = Seq(("a", 1), ("b", 2), ("a", 3), ("b", 4), ("c", 5))
    val rdd = sc.parallelize(data)

    // 按键分组
    val groupedRDD = rdd.groupByKey()

    // 打印结果
    groupedRDD.collect().foreach(println)

    sc.stop()
  }
}

效果展示：

3.combineByKey() :

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。

基础代码示例：

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()
  }
}

效果展示：

RDD的连接方法：

1.join()方法：

用于将两个 RDD 按照键进行连接操作。它接收另一个键值对 RDD 作为参数，并返回一个新的 RDD，其中的元素是两个原始 RDD 中具有相同键的元素的笛卡尔积。

基础代码示例：

import org.apache.spark.{SparkConf, SparkContext}

object JoinExample {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName("JoinExample").setMaster("local[*]")
    val sc = new SparkContext(conf)

    // 创建两个包含键值对的RDD
    val rdd1 = sc.parallelize(Seq(("a", 1), ("b", 2), ("c", 3)))
    val rdd2 = sc.parallelize(Seq(("a", "apple"), ("b", "banana"), ("c", "cherry")))

    // 使用join方法进行连接操作
    val joinedRDD = rdd1.join(rdd2)

    // 打印结果
    joinedRDD.collect().foreach(println)

    sc.stop()
  }
}

效果展示：

2.rightOuterJoin()：

右外连接是一种数据库连接操作，它返回两个数据集中所有右表（第二个数据集）的记录，以及左表（第一个数据集）中与右表匹配的记录。如果左表中没有匹配的记录，则会为其添加 null 值。

基础代码示例：

import org.apache.spark.{SparkConf, SparkContext}

object RightOuterJoinExample {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName("RightOuterJoinExample").setMaster("local[*]")
    val sc = new SparkContext(conf)

    // 创建两个包含键值对的RDD
    val rdd1 = sc.parallelize(Seq(("a", 1), ("b", 2), ("c", 3)))
    val rdd2 = sc.parallelize(Seq(("a", "apple"), ("b", "banana"), ("d", "date")))

    // 使用rightOuterJoin方法进行右外连接操作
    val joinedRDD = rdd1.rightOuterJoin(rdd2)

    // 打印结果
    joinedRDD.collect().foreach(println)

    sc.stop()
  }
}

效果展示：

3.leftOuterJoin():

左外连接是一种数据库连接操作，它返回两个数据集中所有左表（第一个数据集）的记录，以及右表（第二个数据集）中与左表匹配的记录。如果右表中没有匹配的记录，则会为其添加 null 值。

基础代码示例：

import org.apache.spark.{SparkConf, SparkContext}

object LeftOuterJoinExample {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName("LeftOuterJoinExample").setMaster("local[*]")
    val sc = new SparkContext(conf)

    // 创建两个包含键值对的RDD
    val rdd1 = sc.parallelize(Seq(("a", 1), ("b", 2), ("c", 3)))
    val rdd2 = sc.parallelize(Seq(("a", "apple"), ("b", "banana"), ("d", "date")))

    // 使用leftOuterJoin方法进行左外连接操作
    val joinedRDD = rdd1.leftOuterJoin(rdd2)

    // 打印结果
    joinedRDD.collect().foreach(println)

    sc.stop()
  }
}

效果展示：

4.fullOuterJoin():

全外连接是一种数据库连接操作，它返回两个数据集中所有记录的并集，并将匹配的记录组合在一起。如果两个数据集中都没有匹配的记录，则会为其添加 null 值。

基础代码示例：

import org.apache.spark.{SparkConf, SparkContext}

object FullOuterJoinExample {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName("FullOuterJoinExample").setMaster("local[*]")
    val sc = new SparkContext(conf)

    // 创建两个包含键值对的RDD
    val rdd1 = sc.parallelize(Seq(("a", 1), ("b", 2), ("c", 3)))
    val rdd2 = sc.parallelize(Seq(("a", "apple"), ("b", "banana"), ("d", "date")))

    // 使用fullOuterJoin方法进行全外连接操作
    val joinedRDD = rdd1.fullOuterJoin(rdd2)

    // 打印结果
    joinedRDD.collect().foreach(println)

    sc.stop()
  }
}

效果展示：

5.zip() :

用于将两个 RDD 中的元素一一配对的方法之一。它将两个 RDD 中的元素按顺序一一配对，形成新的 RDD，其中每个元素是一个由两个 RDD 中对应位置的元素组成的元组。

基础代码示例：

import org.apache.spark.{SparkConf, SparkContext}

object ZipExample {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName("ZipExample").setMaster("local[*]")
    val sc = new SparkContext(conf)

    // 创建两个包含元素的RDD
    val rdd1 = sc.parallelize(Seq(1, 2, 3, 4))
    val rdd2 = sc.parallelize(Seq("apple", "banana", "orange", "grape"))

    // 使用zip方法将两个RDD进行配对
    val zippedRDD = rdd1.zip(rdd2)

    // 打印结果
    zippedRDD.collect().foreach(println)

    sc.stop()
  }
}

效果展示：

大家有什么好的方法和建议，可以发布在评论区或者留言给我， 小杨还有待改进的地方，望各位大师监督！