Spark-Core编程

RDD转换算子

Value类型：

(1) map

将处理的数据逐条进行映射转换，这里的转换可以是类型的转换，也可以是值的转换。def map $U: ClassTag$ (f: T => U): RDD $U$

(2) mapPartitions

将待处理的数据以分区为单位发送到计算节点进行处理，这里的处理是指可以进行任意的处理，哪怕是过滤数据。

def mapPartitions $U: ClassTag$ (

f: Iterator $T$ => Iterator $U$ ,

preservesPartitioning: Boolean = false): RDD $U$

(3)map 和 mapPartitions 的区别：

数据处理角度:Map 算子是分区内一个数据一个数据的执行，类似于串行操作。而 mapPartitions 算子是以分区为单位进行批处理操作。

功能的角度:Map 算子主要目的将数据源中的数据进行转换和改变。但是不会减少或增多数据。MapPartitions 算子需要传递一个迭代器，返回一个迭代器，没有要求的元素的个数保持不变，所以可以增加或减少数据

性能的角度:Map 算子因为类似于串行操作，所以性能比较低，而是 mapPartitions 算子类似于批处理，所以性能较高。但是 mapPartitions 算子会长时间占用内存，那么这样会导致内存可能不够用，出现内存溢出的错误。

(40mapPartitionsWithIndex

函数签名

def mapPartitionsWithIndex $U: ClassTag$ (

f: (Int, Iterator $T$ ) => Iterator $U$ ,

preservesPartitioning: Boolean = false): RDD $U$

函数说明:将待处理的数据以分区为单位发送到计算节点进行处理，这里的处理是指可以进行任意的处理，哪怕是过滤数据，在处理时同时可以获取当前分区索引。

(5) flatMap

函数签名def flatMap $U: ClassTag$ (f: T => TraversableOnce $U$ ): RDD $U$

将处理的数据进行扁平化后再进行映射处理，所以算子也称之为扁平映射

val dataRDD = sparkContext.makeRDD(List(

List(1,2),List(3,4)

),1)

val dataRDD1 = dataRDD.flatMap(

list => list

)

(6)map和flatMap的区别：

map会将每一条输入数据映射为一个新对象。

flatMap包含两个操作：会将每一个输入对象输入映射为一个新集合，然后把这些新集合连成一个大集合。

(7) glom

将同一个分区的数据直接转换为相同类型的内存数组进行处理，分区不变

def glom(): RDD $Array\[T$ ]

(8) groupBy

函数签名def groupBy $K$ (f: T => K)(implicit kt: ClassTag $K$ ): RDD $(K, Iterable\[T$ )]

函数说明:将数据根据指定的规则进行分组, 分区默认不变，但是数据会被打乱重新组合，我们将这样的操作称之为 shuffle。极限情况下，数据可能被分在同一个分区中。

val dataRDD = sparkContext.makeRDD(List(1,2,3,4),1)

val dataRDD1 = dataRDD.groupBy(

_%2

)

(9) filter

函数签名def filter(f: T => Boolean): RDD $T$

函数说明:将数据根据指定的规则进行筛选过滤，符合规则的数据保留，不符合规则的数据丢弃。

当数据进行筛选过滤后，分区不变，但是分区内的数据可能不均衡，生产环境下，可能会出现数据倾斜。

val dataRDD = sparkContext.makeRDD(List(

1,2,3,4

),1)

val dataRDD1 = dataRDD.filter(_%2 == 0)

val dataRDD2 = dataRDD.filter(_%2 == 1)

(10)sample

函数签名

def sample(

withReplacement: Boolean,

fraction: Double,

seed: Long = Utils.random.nextLong): RDD $T$

根据指定的规则从数据集中抽取数据

val dataRDD = sparkContext.makeRDD(List(

1,2,3,4

),1)

val dataRDD1 = dataRDD.sample(false, 0.5)

val dataRDD2 = dataRDD.sample(true, 2)

(6)map和flatMap的区别：

map会将每一条输入数据映射为一个新对象。

flatMap包含两个操作：会将每一个输入对象输入映射为一个新集合，然后把这些新集合连成一个大集合。

(7) glom

将同一个分区的数据直接转换为相同类型的内存数组进行处理，分区不变

def glom(): RDD $Array\[T$ ]

(8) groupBy

函数签名def groupBy $K$ (f: T => K)(implicit kt: ClassTag $K$ ): RDD $(K, Iterable\[T$ )]

val dataRDD = sparkContext.makeRDD(List(1,2,3,4),1)

val dataRDD1 = dataRDD.groupBy(

_%2

)

(9) filter

函数签名def filter(f: T => Boolean): RDD $T$

函数说明:将数据根据指定的规则进行筛选过滤，符合规则的数据保留，不符合规则的数据丢弃。

当数据进行筛选过滤后，分区不变，但是分区内的数据可能不均衡，生产环境下，可能会出现数据倾斜。

val dataRDD = sparkContext.makeRDD(List(

1,2,3,4

),1)

val dataRDD1 = dataRDD.filter(_%2 == 0)

val dataRDD2 = dataRDD.filter(_%2 == 1)

(10)sample

函数签名

def sample(

withReplacement: Boolean,

fraction: Double,

seed: Long = Utils.random.nextLong): RDD $T$

根据指定的规则从数据集中抽取数据

val dataRDD = sparkContext.makeRDD(List(

1,2,3,4

),1)

val dataRDD1 = dataRDD.sample(false, 0.5)

val dataRDD2 = dataRDD.sample(true, 2)

(11) distinct (将数据集中重复的数据去重)

def distinct()(implicit ord: Ordering $T$ = null): RDD $T$

def distinct(numPartitions: Int)(implicit ord: Ordering $T$ = null): RDD $T$

(12) coalesce

根据数据量缩减分区，用于大数据集过滤后，提高小数据集的执行效率

当 spark 程序中，存在过多的小任务的时候，可以通过 coalesce 方法，收缩合并分区，减少分区的个数，减小任务调度成本

def coalesce(numPartitions: Int, shuffle: Boolean = false,

partitionCoalescer: Option $PartitionCoalescer$ = Option.empty)

(implicit ord: Ordering $T$ = null)

: RDD $T$

(13)repartition

该操作内部其实执行的是 coalesce 操作，参数 shuffle 的默认值为 true。无论是将分区数多的RDD 转换为分区数少的 RDD，还是将分区数少的 RDD 转换为分区数多的 RDD，repartition操作都可以完成，因为无论如何都会经 shuffle 过程。

def repartition(numPartitions: Int)(implicit ord: Ordering $T$ = null): RDD $T$

(14) sortBy

该操作用于排序数据。在排序之前，可以将数据通过 f 函数进行处理，之后按照 f 函数处理的结果进行排序，默认为升序排列。排序后新产生的 RDD 的分区数与原 RDD 的分区数一致。中间存在 shuffle 的过程。

def sortBy $K$ (

f: (T) => K,

ascending: Boolean = true,

numPartitions: Int = this.partitions.length)

(implicit ord: Ordering $K$ , ctag: ClassTag $K$ ): RDD $T$

双Value类型：

(15) intersection

def intersection(other: RDD $T$ ): RDD $T$

对源 RDD 和参数 RDD 求交集后返回一个新的 RDD

val dataRDD1 = sparkContext.makeRDD(List(1,2,3,4))

val dataRDD2 = sparkContext.makeRDD(List(3,4,5,6))

val dataRDD = dataRDD1.intersection(dataRDD2)

(16) union

对源 RDD 和参数 RDD 求并集后返回一个新的 RDD（重复数据不会去重）

def union(other: RDD $T$ ): RDD $T$

(17) subtract

以源 RDD 元素为主，去除两个 RDD 中重复元素，将源RDD的其他元素保留下来。

def subtract(other: RDD $T$ ): RDD $T$

(18) zip

def zip $U: ClassTag$ (other: RDD $U$ ): RDD $(T, U)$

将两个 RDD 中的元素，以键值对的形式进行合并。其中，键值对中的 Key 为第 1 个 RDD

中的元素，Value 为第 2 个 RDD 中的相同位置的元素。

val dataRDD1 = sparkContext.makeRDD(List("a","b","c","d"))

val dataRDD2 = sparkContext.makeRDD(List(1,2,3,4))

val dataRDD = dataRDD1.zip(dataRDD2)

(19) partitionBy

将数据按照指定 Partitioner 重新进行分区。Spark 默认的分区器是 HashPartitioner

def partitionBy(partitioner: Partitioner): RDD $(K, V)$

（20）groupByKey

将数据源的数据根据 key 对 value 进行分组

def groupByKey(): RDD $(K, Iterable\[V$ )]

def groupByKey(numPartitions: Int): RDD $(K, Iterable\[V$ )]

def groupByKey(parti

21）reduceByKey

可以将数据按照相同的 Key 对 Value 进行聚合

val dataRDD1 = sc.makeRDD(List(("a",1),("b",2),("c",3),("a",4)))

val dataRDD2 = dataRDD1.reduceByKey(+)

val dataRDD3 = dataRDD1.reduceByKey(+, 2)

 reduceByKey 和 groupByKey 的区别：

从 shuffle 的角度：reduceByKey 和 groupByKey 都存在 shuffle 的操作，但是 reduceByKey可以在 shuffle 前对分区内相同 key 的数据进行预聚合（combine）功能，这样会减少落盘的数据量，而 groupByKey 只是进行分组，不存在数据量减少的问题，reduceByKey 性能比较高。

从功能的角度：reduceByKey 其实包含分组和聚合的功能。GroupByKey 只能分组，不能聚合，所以在分组聚合的场合下，推荐使用 reduceByKey，如果仅仅是分组而不需要聚合。那么还是只能使用 groupByKey

（22）aggregateByKey

将数据根据不同的规则进行分区内计算和分区间计算

val dataRDD1 =

sc.makeRDD(List(("a",1),("b",2),("c",3),("a",4)))

val dataRDD2 =

dataRDD1.aggregateByKey(0)(+,+)

（23）combineByKey

最通用的对 key-value 型 rdd 进行聚集操作的聚集函数（aggregation function）。类似于aggregate()，combineByKey()允许用户返回值的类型与输入不一致。

def combineByKey $C$ (

createCombiner: V => C,//将当前值作为参数进行附加操作并返回

mergeValue: (C, V) => C,// 在分区内部进行，将新元素V合并到第一步操作得到的C中

mergeCombiners: (C, C) => C): RDD $(K, C)$ //将第二步操作得到的C进行分区间计算

（24）sortByKey

def sortByKey(ascending: Boolean = true, numPartitions: Int = self.partitions.length)

: RDD $(K, V)$

在一个(K,V)的 RDD 上调用，K 必须实现 Ordered 接口(特质)，返回一个按照 key 进行排序

val dataRDD1 = sc.makeRDD(List(("a",1),("b",2),("c",3)))

val sortRDD1: RDD $(String, Int)$ = dataRDD1.sortByKey(true)

val sortRDD2: RDD $(String, Int)$ = dataRDD1.sortByKey(false)

（25）join

在类型为(K,V)和(K,W)的 RDD 上调用，返回一个相同 key 对应的所有元素连接在一起的(K,(V,W))的 RDD

def join $W$ (other: RDD $(K, W)$ ): RDD $(K, (V, W))$

（26） leftOuterJoin（类似于 SQL 语句的左外连接）

def leftOuterJoin $W$ (other: RDD $(K, W)$ ): RDD $(K, (V, Option\[W$ ))]

（27）cogroup

在类型为(K,V)和(K,W)的 RDD 上调用，返回一个(K,(Iterable<V>,Iterable<W>))类型的 RDD

def cogroup $W$ (other: RDD $(K, W)$ ): RDD $(K, (Iterable\[V$ , Iterable $W$ ))]