大数据Spark(六十四):Spark算子介绍

文章目录

Spark算子介绍

一、Transformation-转换算子


Spark算子介绍

在 Apache Spark 中,算子(Operator) 是对分布式数据集(RDD)进行操作的函数或方法。根据功能和特性,Spark 的算子主要分为三大类:转换算子(Transformation)、行动算子(Action) 和 持久化算子(Persistence)。Transformation算子用于从一个 RDD 转换生成另一个 RDD,具有惰性特性;Action算子用于触发实际计算,将结果返回给Driver或写入外部存储;持久化算子用于将 RDD 的数据缓存或持久化,以提高重复计算的效率。

编写Spark代码流程如下:

  • 创建SparkConf对象,Spark Application中必须通过该对象设置Application Name、运行模式,还可以设置Spark applicatiion的资源需求。

  • 创建SparkContext对象,将SparkConf作为参数传入SparkContext对象。

  • 基于SparkContext创建一个RDD,使用Transformation算子对RDD进行转换处理。

  • Spark Application中要有Action类算子来触发Transformation类算子执行。

  • 最终,SparkContext.close()/SparkContext.stop()关闭SparkContext对象。

一、Transformation-转换算子

Transformation算子对现有的RDD进行操作,生成新的 RDD,这些操作是惰性的(延迟执行),只有在遇到Action算子时才会被执行。下面对常用的Transformation类算子进行介绍。

1.map

将一个RDD中的每个数据项,通过map中的函数映射变为一个新的元素,特点:输入一条,输出一条。这里不再给出示例。

2.flatMap

先map后flat。与map类似,每个输入项可以映射为0到多个输出项。这里不再给出示例。

3.reduceByKey

只能作用在K,V格式的RDD上,使用指定的函数对相同Key的Value进行聚合,返回K,V格式的RDD。

4.groupBy

groupBy算子可以对RDD中数据按照指定的规则进行分组。

如下示例将RDD数据按照奇数和偶数进行分组。GroupBy返回Tuple<K,Iterable>,K表示分组的key,V表示该组中的数据。

Java代码:

java 复制代码
SparkConf conf = new SparkConf().setMaster("local").setAppName("CustomPartitionerTest");
JavaSparkContext sc = new JavaSparkContext(conf);
JavaRDD<Integer> rdd = sc.parallelize(Arrays.asList(1, 2, 3, 4, 5, 6, 7, 8, 9, 10));

JavaPairRDD<Integer, Iterable<Integer>> result = rdd.groupBy(new Function<Integer, Integer>() {
    @Override
    public Integer call(Integer one) throws Exception {
        return one % 2;
    }
});

result.foreach(new VoidFunction<Tuple2<Integer, Iterable<Integer>>>() {
    @Override
    public void call(Tuple2<Integer, Iterable<Integer>> integerIterableTuple2) throws Exception {
        System.out.println(integerIterableTuple2);
    }
});

sc.stop()

Scala代码:

Scala 复制代码
val conf = new SparkConf().setMaster("local").setAppName("filter")
val sc = new SparkContext(conf)
val rdd: RDD[Int] = sc.parallelize(List(1, 2, 3, 4, 5, 6, 7, 8, 9, 10))
val result: RDD[(Int, Iterable[Int])] = rdd.groupBy(one => one % 2)
result.foreach(println)
sc.stop()

  • 📢博客主页:https://lansonli.blog.csdn.net
  • 📢欢迎点赞 👍 收藏 ⭐留言 📝 如有错误敬请指正!
  • 📢本文由 Lansonli 原创,首发于 CSDN博客🙉
  • 📢停下休息的时候不要忘了别人还在奔跑,希望大家抓紧时间学习,全力奔赴更美好的生活✨
相关推荐
weixin_lynhgworld3 小时前
淘宝扭蛋机小程序的社交化运营策略
大数据·小程序·扭蛋机
居7然3 小时前
JoyAgent-JDGenie深度评测:从开箱到实战,多智能体框架的工业级答卷
分布式·自然语言处理·架构·transformer·agent
ZHOU_WUYI3 小时前
supabase 实现聊天板(Chat Board)
大数据·可视化
Hello.Reader3 小时前
Flink 架构组件、任务链路、Slot 资源与集群形态
大数据·架构·flink
数造科技4 小时前
数造科技于2025全球数据管理峰会斩获多项殊荣
大数据·人工智能·科技·业界资讯
君不见,青丝成雪4 小时前
六边形架构实现:领域驱动设计 + 端口适配器模式
大数据·微服务·系统架构
档案宝档案管理4 小时前
档案管理系统如何对企业效率重构与提升?
大数据·数据库·人工智能·重构·档案·档案管理
梦想养猫开书店4 小时前
38、spark读取hudi报错:java.io.NotSerializableException: org.apache.hadoop.fs.Path
java·spark·apache
武子康4 小时前
大数据-112 Flink DataStream API :数据源、转换与输出 文件、Socket 到 Kafka 的完整流程
大数据·后端·flink