Spark RDD行动算子与共享变量实战:从数据聚合到分布式通信

RDD行动算子:

行动算子就是会触发action的算子,触发action的含义就是真正的计算数据。

1、reduce

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

object value11 {

def main(args: Array[String]): Unit = {

// 创建 SparkConf 对象并设置应用名称和运行模式

val conf = new SparkConf().setAppName("RDDExample").setMaster("local[*]")

// 创建 SparkContext 对象

val sc = new SparkContext(conf)

// 创建包含 1,2,3,4 的 RDD

val rdd = sc.makeRDD(List(1, 2, 3, 4))

// 使用 reduce 操作对 RDD 元素求和

val reduceResult = rdd.reduce(_ + _)

// 输出结果

println(reduceResult)

// 关闭 SparkContext

sc.stop()

}

}

2、Foreach

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

object value12 {

def main(args: Array[String]): Unit = {

// 创建 SparkConf 对象并设置应用名称和运行模式

val conf = new SparkConf().setAppName("RDDForeachExample").setMaster("local[*]")

// 创建 SparkContext 对象

val sc = new SparkContext(conf)

// 创建包含 1,2,3,4 的 RDD

val rdd = sc.makeRDD(List(1, 2, 3, 4))

// 对 RDD 元素进行遍历并打印

rdd.foreach(println)

// 关闭 SparkContext

sc.stop()

}

}

3、count

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

object value13{

def main(args: Array[String]): Unit = {

// 创建 SparkConf 对象并设置应用名称和运行模式

val conf = new SparkConf().setAppName("RDDActionExample").setMaster("local[*]")

// 创建 SparkContext 对象

val sc = new SparkContext(conf)

// 创建包含 1,2,3,4 的 RDD

val rdd = sc.makeRDD(List(1, 2, 3, 4))

// 使用 count 算子统计 RDD 中元素个数

val countResult = rdd.count()

// 打印统计结果

println(countResult)

// 关闭 SparkContext

sc.stop()

}

}

4、Take

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

object value14 {

def main(args: Array[String]): Unit = {

// 创建 SparkConf 对象并设置应用名称和运行模式

val conf = new SparkConf().setAppName("RDDActionTakeExample").setMaster("local[*]")

// 创建 SparkContext 对象

val sc = new SparkContext(conf)

// 创建包含 1,2,3,4 的 RDD

val rdd = sc.makeRDD(List(1, 2, 3, 4))

// 使用 take 算子获取 RDD 的前 2 个元素

val takeResult = rdd.take(2)

// 遍历并打印获取到的元素

takeResult.foreach(println)

// 关闭 SparkContext

sc.stop()

}

}

5、first

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

object value15 {

def main(args: Array[String]): Unit = {

// 创建 SparkConf 对象并设置应用名称和运行模式

val conf = new SparkConf().setAppName("RDDFirstExample").setMaster("local[*]")

// 创建 SparkContext 对象

val sc = new SparkContext(conf)

// 创建包含 1,2,3,4 的 RDD

val rdd = sc.makeRDD(List(1, 2, 3, 4))

// 使用 first 算子获取 RDD 中的第一个元素

val firstResult = rdd.first()

// 打印获取到的第一个元素

println(firstResult)

// 关闭 SparkContext

sc.stop()

}

}

6、Aggregate

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

import org.apache.spark.rdd.RDD

import org.apache.spark.util.ClassTag

object 、value16{

def main(args: Array[String]): Unit = {

// 创建 SparkConf 对象并设置应用名称和运行模式

val conf = new SparkConf().setAppName("RDDAggregateExample").setMaster("local[*]")

// 创建 SparkContext 对象

val sc = new SparkContext(conf)

// 创建包含 1,2,3,4 且分区数为 8 的 RDD

val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4), 8)

// 使用 aggregate 算子聚合 RDD 元素,初始值为 0

val result1: Int = rdd.aggregate(0)(_ + _, _ + _)

// 使用 aggregate 算子聚合 RDD 元素,初始值为 10

val result2: Int = rdd.aggregate(10)(_ + _, _ + _)

// 打印结果

println(result1)

println("**********")

println(result2)

// 关闭 SparkContext

sc.stop()

}

}

7、save 相关算子

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

object value17 {

def main(args: Array[String]): Unit = {

// 创建 SparkConf 对象并设置应用名称和运行模式

val conf = new SparkConf().setAppName("RDDSaveExample").setMaster("local[*]")

// 创建 SparkContext 对象

val sc = new SparkContext(conf)

// 创建包含 1,2,3,4 的 RDD

val rdd = sc.makeRDD(List(1, 2, 3, 4))

// 保存成 Text 文件

rdd.saveAsTextFile("Spark-core/output/output")

// 序列化成对象保存到文件

rdd.saveAsObjectFile("Spark-core/output/output1")

// 关闭 SparkContext

sc.stop()

}

}

实现原理

累加器用来把 Executor 端变量信息聚合到 Driver 端。在 Driver 程序中定义的变量,在

Executor 端的每个 Task 都会得到这个变量的一份新的副本,每个 task 更新这些副本的值后,传回 Driver 端进行 merge。

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

object value18 {

def main(args: Array[String]): Unit = {

// 创建 SparkConf 对象并设置应用名称和运行模式

val conf = new SparkConf().setAppName("AccumulatorExample").setMaster("local[*]")

// 创建 SparkContext 对象

val sc = new SparkContext(conf)

// 创建包含 1,2,3,4,5 的 RDD

val rdd = sc.makeRDD(List(1, 2, 3, 4, 5))

// 声明累加器

val sum = sc.longAccumulator("sum")

rdd.foreach { num =>

// 使用累加器

sum.add(num)

}

// 获取累加器的值

println("sum = " + sum.value)

// 关闭 SparkContext

sc.stop()

}

}

实现原理

广播变量用来高效分发较大的对象。向所有工作节点发送一个较大的只读值,以供一个

或多个 Spark 操作使用。比如,如果你的应用需要向所有节点发送一个较大的只读查询表,

广播变量用起来都很顺手。在多个并行操作中使用同一个变量,但是 Spark 会为每个任务

分别发送。

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

import org.apache.spark.broadcast.Broadcast

object value19{

def main(args: Array[String]): Unit = {

// 创建SparkConf对象并设置应用名称和运行模式

val conf = new SparkConf().setAppName("BroadcastExample").setMaster("local[*]")

// 创建SparkContext对象

val sparkContext = new SparkContext(conf)

// 创建RDD

val rdd1 = sparkContext.makeRDD(List(("a", 1), ("b", 2), ("c", 3), ("d", 4)), 4)

// 定义列表

val list = List(("a", 4), ("b", 5), ("c", 6), ("d", 7))

// 创建广播变量

val broadcast: Broadcast[List[(String, Int)]] = sparkContext.broadcast(list)

// 对RDD进行转换

val resultRDD = rdd1.map { case (key, num) =>

var num2 = 0

for ((k, v) <- broadcast.value) {

if (k == key) {

num2 = v

}

}

(key, (num, num2))

}

// 收集并打印结果

resultRDD.collect().foreach(println)

// 关闭SparkContext

sparkContext.stop()

}

}

相关推荐
不辉放弃19 小时前
详细讲解pyspark中dsl格式进行大数据开发中的的所有编程情况
大数据·spark
IT研究室19 小时前
大数据毕业设计选题推荐-基于大数据的分化型甲状腺癌复发数据可视化分析系统-Spark-Hadoop-Bigdata
大数据·hadoop·信息可视化·spark·毕业设计·源码·bigdata
计算机编程小央姐19 小时前
数据安全成焦点:基于Hadoop+Spark的信用卡诈骗分析系统实战教程
大数据·hadoop·python·spark·毕业设计·课程设计·dash
工业互联网专业20 小时前
基于Spark的新冠肺炎疫情实时监控系统_django+spider
python·spark·django·vue·毕业设计·源码·课程设计
BYSJMG21 小时前
大数据毕业设计推荐:基于Spark的零售时尚精品店销售数据分析系统【Hadoop+python+spark】
大数据·hadoop·python·spark·django·课程设计
武子康1 天前
大数据-89 Spark应用必备:进程通信、序列化机制与RDD执行原理
大数据·后端·spark
计算机毕设残哥2 天前
数据量太大处理不了?Hadoop+Spark轻松解决海洋气象大数据分析难题
大数据·hadoop·python·数据分析·spark·django·dash
计算机编程小央姐2 天前
大数据毕业设计选题推荐:学生考试表现影响因素Hadoop+Spark实现方案
大数据·hadoop·数据分析·spark·毕业设计·课程设计
BYSJMG2 天前
计算机大数据毕业设计推荐:基于Spark的新能源汽车保有量可视化分析系统
大数据·分布式·python·spark·django·编辑器·课程设计
IT毕设梦工厂2 天前
大数据毕业设计选题推荐-基于大数据的儿童出生体重和妊娠期数据可视化分析系统-Hadoop-Spark-数据可视化-BigData
大数据·hadoop·信息可视化·spark·毕业设计·源码·bigdata