1.RDD转换
RDD的所有转换操作都不会进行真正的计算
1.1单个RDD转换操作
# 创建测试RDD
val rdd = sc.parallelize(Array("hello world","java","scala easy"))
# 1.map():遍历RDD中的每个元素,将返回值构成新的RDD,返回值类型可和原RDD不一致
val mapRdd = rdd.map(x => "map:"+x)
mapRdd.foreach(println)
# 输出
# map:hello world
# map:java
# map:scala easy
# 2.flatMap(): 遍历RDD中的每个元素,将返回的迭代器的所有内容构成新的 RDD
val flatMapRdd = rdd.flatMap(x => x.split(" "))
flatMapRdd.foreach(println)
# 输出
# hello
# world
# java
# scala
# easy
# 3.filter():遍历RDD中的每个元素,将匹配的元素构成新的RDD
val filterRdd = rdd.filter(x => x.contains("java"))
filterRdd.foreach(x => x.contains("java"))
filterRdd.foreach(println)
# 输出
# java
# 4.distinct():去重
val distinctRdd = flatMapRdd.distinct()
distinctRdd.foreach(println)
# scala
# hello
# easy
# java
# world
# 5.sample(withReplacement, fraction, [seed]):对 RDD 采样,以及是否替换
1.2 两个RDD转换操作
# 创建两个测试RDD
val rdd1 = sc.parallelize(Array("java","scala","spring"))
val rdd2 = sc.parallelize(Array("c++","java","spark"))
# 1.union():合并两个RDD
val unionRdd = rdd1.union(rdd2)
unionRdd.foreach(println)
# java
# scala
# spring
# c++
# java
# spark
# 2.intersection():求两个RDD元素的共同元素
val intersectionRdd = rdd1.intersection(rdd2)
intersectionRdd.foreach(println)
# java
# 3.subtract():移除RDD中的指定元素
val subtractRdd = rdd1.subtract(rdd2)
subtractRdd.foreach(println)
# 4.cartesian():求两个RDD元素的笛卡尔积
val cartesianRdd = rdd1.cartesian(rdd2)
cartesianRdd.foreach(println)
# (java,c++)
# (java,java)
# (java,spark)
# (scala,c++)
# (scala,java)
# (scala,spark)
# (spring,c++)
# (spring,java)
# (spring,spark)
2.行动操作
行动操作会真正触发RDD的计算操作
2.1 reduce()
它接收一个函数作为参数,这个
函数要操作两个 RDD 的元素类型的数据并返回一个同样类型的新元素
val rdd = sc.parallelize(Array(1,2,3,4))
# 计算所有元素的总和
println(rdd.reduce((x,y) => x+y))
# 10
2.2 fold()
fold() 和 reduce() 类似,接收一个与 reduce() 接收的函数签名相同的函数,再加上一个
“初始值”来作为每个分区第一次调用时的结果。(例如 +
对应的 0, * 对应的 1,或拼接操作对应的空列表)。
# 计算所有元素的综合
println(rdd.fold(0)((x,y) => x+y))
# 10
2.3 collect()
将整个RDD的内容返回
rdd.collect().foreach(print)
#1234
2.4 take(n)
返回RDD中的n个元素
rdd.take(2).foreach(print)
#12
2.5 top(n)
返回RDD中前n个元素,top()会使用数据的默认排序
rdd.top(3)
#123
2.6 count()
返回RDD中所有元素的个数
print(rdd.count())
4
2.7 countByValue()
返回个元素在RDD中出现的个数
rdd.countByValue().foreach(println+)
(1,1)
(3,1)
(2,1)
(4,1)
2.8 takeSample(withReplacement, num, [seed])
从 RDD 中返回任意num个元素
rdd.takeSample(false,3)
2.9 foreach
对 RDD 中的每个元素使用给
定的函数
2.10 aggregate(zeroValue)(seqOp, combOp)
和 reduce() 相似,可以返回不同类型的函数
val result = rdd.aggregate((0, 0))((x, y) =>(x._1 + y, x._2 + 1),(part1, part2) =>(part1._1 + part2._1,part1._2 + part2._2))
print(result)
(10,4)
参数说明
((0, 0))
# 第一步:指定初始值
((x, y) =>(x._1 + y, x._2 + 1),
# 2:分片计算
# x为初始值(0,0),y为RDD元素(1,2,3,4)
# 假设RDD分布在两个分片上(1,2)为一个分片,(3,4)为一个分片
# 则计算结果如下:
# 分片1:
# 0+1,0+1
# 1+2,1+1
# 分片1结果:(3,2)
# 分片2:
# 0+3,0+1
# 3+4,1+1
# 分片2结果:(7,2)
(part1, part2) =>(part1._1 + part2._1,part1._2 + part2._2))
# 第三步:合并分片数据
# 3+7,2+2
# 输出结果(10,4)