Spark学习之RDD简单算子

collect

返回RDD的所有元素

scala  var input=sc.parallelize(Array(-1,0,1,2,2))  input: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[15] at parallelize at  console :27  scala  var result=input.collect  result: Array[Int] = Array(-1, 0, 1, 2, 2) 

count,coutByValue

count返回RDD的元素数量,countByValue返回每个值的出现次数

scala  var input=sc.parallelize(Array(-1,0,1,2,2))  scala  var result=input.count  result: Long = 5  scala  var result=input.countByValue  result: scala.collection.Map[Int,Long] = Map(0 -  1, 1 -  1, 2 -  2, -1 -  1) 

take,top,takeOrdered

take返回RDD的前N个元素 takeOrdered默认返回升序排序的前N个元素，可以指定排序算法 Top返回降序排序的前N个元素

var input=sc.parallelize(Array(1,2,3,4,9,8,7,5,6))  scala  var result=input.take(6)  result: Array[Int] = Array(1, 2, 3, 4, 9, 8)  scala  var result=input.take(20)  result: Array[Int] = Array(1, 2, 3, 4, 9, 8, 7, 5, 6)  scala  var result=input.takeOrdered(6)  result: Array[Int] = Array(1, 2, 3, 4, 5, 6)  scala  var result=input.takeOrdered(6)(Ordering[Int].reverse)  result: Array[Int] = Array(9, 8, 7, 6, 5, 4)  scala  var result=input.top(6)  result: Array[Int] = Array(9, 8, 7, 6, 5, 4 

Filter

传入返回值为boolean的函数，返回改函数结果为true的RDD

scala  var input=sc.parallelize(Array(-1,0,1,2))  scala  var result=input.filter(_ 0).collect()  result: Array[Int] = Array(1, 2) 

map,flatmap

map对每个元素执行函数，转换为新的RDD,flatMap和map类似，但会把map的返回结果做flat处理，就是把多个Seq的结果拼接成一个Seq输出

scala  var input=sc.parallelize(Array(-1,0,1,2))  scala  var result=input.map(_+1).collect  result: Array[Int] = Array(0, 1, 2, 3)  scala var result=input.map(x= x.to(3)).collect  result: Array[scala.collection.immutable.Range.Inclusive] = Array(Range(-1, 0, 1, 2, 3), Range(0, 1, 2, 3), Range(1, 2, 3), Range(2, 3))  scala var result=input.flatMap(x= x.to(3)).collect  result: Array[Int] = Array(-1, 0, 1, 2, 3, 0, 1, 2, 3, 1, 2, 3, 2, 3) 

distinct

RDD去重

scala var input=sc.parallelize(Array(-1,0,1,2,2))  scala var result=input.distinct.collect  result: Array[Int] = Array(0, 1, 2, -1) 

Reduce

通过函数聚集RDD中的所有元素

scala  var input=sc.parallelize(Array(-1,0,1,2))  scala  var result=input.reduce((x,y)= {println(x,y);x+y})  (-1,1)  //处理-1,1,结果为0,RDD剩余元素为{0,2}  (0,2)   //上面的结果为0,在处理0,2,结果为2,RDD剩余元素为{0}  (2,0)   //上面结果为2，再处理(2,0)，结果为2,RDD剩余元素为{}  result: Int = 2 

sample,takeSample

sample就是从RDD中抽样，第一个参数withReplacement是指是否有放回的抽样，true为放回，为false为不放回，放回就是抽样结果可能重复，第二个参数是fraction，0到1之间的小数，表明抽样的百分比 takeSample类似，但返回类型是Array，第一个参数是withReplacement，第二个参数是样本个数

var rdd=sc.parallelize(1 to 20)  scala  rdd.sample(true,0.5).collect  res33: Array[Int] = Array(6, 8, 13, 15, 17, 17, 17, 18, 20)  scala  rdd.sample(false,0.5).collect  res35: Array[Int] = Array(1, 3, 10, 11, 12, 13, 14, 17, 18)  scala  rdd.sample(true,1).collect  res44: Array[Int] = Array(2, 2, 3, 5, 6, 6, 8, 9, 9, 10, 10, 10, 14, 15, 16, 17, 17, 18, 19, 19, 20, 20)  scala  rdd.sample(false,1).collect  res46: Array[Int] = Array(1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20)  scala  rdd.takeSample(true,3)  res1: Array[Int] = Array(1, 15, 19)  scala  rdd.takeSample(false,3)  res2: Array[Int] = Array(7, 16, 6) 

collectAsMap,countByKey,lookup

collectAsMap把PairRDD转为Map,如果存在相同的key,后面的会覆盖前面的。 countByKey统计每个key出现的次数 Lookup返回给定key的所有value

scala  var input=sc.parallelize(List((1,"1"),(1,"one"),(2,"two"),(3,"three"),(4,"four")))  scala  var result=input.collectAsMap  result: scala.collection.Map[Int,String] = Map(2 -  two, 4 -  four, 1 -  one, 3 -  three)  scala  var result=input.countByKey  result: scala.collection.Map[Int,Long] = Map(1 -  2, 2 -  1, 3 -  1, 4 -  1)  scala  var result=input.lookup(1)  result: Seq[String] = WrappedArray(1, one)  scala  var result=input.lookup(2)  result: Seq[String] = WrappedArray(two) 

groupBy,keyBy

groupBy根据传入的函数产生的key,形成元素为K-V形式的RDD，然后对key相同的元素分组 keyBy对每个value,为它加上key

scala  var rdd=sc.parallelize(List("A1","A2","B1","B2","C"))  scala  var result=rdd.groupBy(_.substring(0,1)).collect  result: Array[(String, Iterable[String])] = Array((A,CompactBuffer(A1, A2)), (B,CompactBuffer(B1, B2)), (C,CompactBuffer(C)))  scala  var rdd=sc.parallelize(List("hello","world","spark","is","fun"))  scala  var result=rdd.keyBy(_.length).collect  result: Array[(Int, String)] = Array((5,hello), (5,world), (5,spark), (2,is), (3,fun)) 

keys,values

scala  var input=sc.parallelize(List((1,"1"),(1,"one"),(2,"two"),(3,"three"),(4,"four")))  scala  var result=input.keys.collect  result: Array[Int] = Array(1, 1, 2, 3, 4)  scala  var result=input.values.collect  result: Array[String] = Array(1, one, two, three, four)  mapvalues  mapvalues对K-V形式的RDD的每个Value进行操作  scala  var input=sc.parallelize(List((1,"1"),(1,"one"),(2,"two"),(3,"three"),(4,"four")))  scala  var result=input.mapValues(_*2).collect  result: Array[(Int, String)] = Array((1,11), (1,oneone), (2,twotwo), (3,threethree), (4,fourfour)) 

union,intersection,subtract,cartesian

union合并2个集合，不去重 subtract将第一个集合中的同时存在于第二个集合的元素去掉 intersection返回2个集合的交集 cartesian返回2个集合的笛卡儿积

scala  var rdd1=sc.parallelize(Array(-1,1,1,2,3))  scala  var rdd2=sc.parallelize(Array(0,1,2,3,4))  scala  var result=rdd1.union(rdd2).collect  result: Array[Int] = Array(-1, 1, 1, 2, 3, 0, 1, 2, 3, 4)  scala  var result=rdd1.intersection(rdd2).collect  result: Array[Int] = Array(1, 2, 3)  scala  var result=rdd1.subtract(rdd2).collect  result: Array[Int] = Array(-1)  scala  var result=rdd1.cartesian(rdd2).collect  result: Array[(Int, Int)] = Array((-1,0), (-1,1), (-1,2), (-1,3), (-1,4), (1,0), (1,1), (1,2), (1,3), (1,4), (1,0), (1,1), (1,2), (1,3), (1,4), (2,0), (2,1), (2,2), (2,3), (2,4), (3,0), (3,1), (3,2), (3,3), (3,4)) 本文作者：Endless2010 来源：51CTO
Spark快速入门-3-Spark的算子总结 Transformation 变换/转换算子：这类算子操作是延迟计算的，也就是说从一个RDD 转换生成另一个 RDD 的转换操作不是马上执行，需要等到有 Action 操作的时候才会真正触发运算。这种变换并不触发提交作业，完成作业中间过程处理。 Action 行动算子：这类算子会触发 SparkContext 提交 Job 作业，并将数据输出 Spark 系统。