使用Spark rdd 开发spark程序

1.常用的rdd

函数	说明
map(func)	返回一个新的分布式数据集，由每个原元素经过func函数转换后组成
filter(func)	返回一个新的数据集，由经过func函数后返回值为true的原元素组成
flatMap(func)	类似于map，但是每一个输入元素，会被映射为0到多个输出元素（因此，func函数的返回值是一个Seq，而不是单一元素）
sample(withReplacement, frac, seed)	根据给定的随机种子seed，随机抽样出数量为frac的数据
union(otherDataset)	返回一个新的数据集，由原数据集和参数联合而成
groupByKey([numTasks])	在一个由（K,V）对组成的数据集上调用，返回一个（K，Seq[V])对的数据集。注意：默认情况下，使用8个并行任务进行分组，你可以传入numTask可选参数，根据数据量设置不同数目的Task
reduceByKey(func, [numTasks])	在一个（K，V)对的数据集上使用，返回一个（K，V）对的数据集，key相同的值，都被使用指定的reduce函数聚合到一起。和groupbykey类似，任务的个数是可以通过第二个可选参数来配置的。
join(otherDataset, [numTasks])	在类型为（K,V)和（K,W)类型的数据集上调用，返回一个（K,(V,W))对，每个key中的所有元素都在一起的数据集
reduce(func)	通过函数func聚集数据集中的所有元素。Func函数接受2个参数，返回一个值。这个函数必须是关联性的，确保可以被正确的并发执行
collect()	在Driver的程序中，以数组的形式，返回数据集的所有元素。这通常会在使用filter或者其它操作后，返回一个足够小的数据子集再使用，直接将整个RDD集Collect返回，很可能会让Driver程序OOM
count()	返回数据集的元素个数
take(n)	返回一个数组，由数据集的前n个元素组成。注意，这个操作目前并非在多个节点上，并行执行，而是Driver程序所在机器，单机计算所有的元素(Gateway的内存压力会增大）
first()	返回数据集的第一个元素（类似于take(1)）
saveAsTextFile(path)	将数据集的元素，以textfile的形式，保存到本地文件系统，hdfs或者任何其它hadoop支持的文件系统。Spark将会调用每个元素的toString方法，并将它转换为文件中的一行文本
saveAsSequenceFile(path)	将数据集的元素，以sequencefile的格式，保存到指定的目录下，本地系统，hdfs或者任何其它hadoop支持的文件系统。RDD的元素必须由key-value对组成，并都实现了Hadoop的Writable接口，或隐式可以转换为Writable（Spark包括了基本类型的转换，例如Int，Double，String等等）
foreach(func)	在数据集的每一个元素上，运行函数func。这通常用于更新一个累加器变量，或者和外部存储系统做交互

rdd的输入和输出，scala版，java版

scala版本：
https://github.com/zhouyang-bigdata/SparkCommonRdd

java版本：
https://github.com/zhouyang-bigdata/SparkCommonRddJava

每个rdd函数的使用场景

spark 默认提供的rdd多达几十个，其中有与外部连接相关的，比如kafkaRdd，也有专门处理数据的。这里介绍的是专门处理数据的。
spark rdd适合的场景有：

1. 转换
2. 过滤
3. 计数
4. 排序
5. 分类
6. 统计

转换：
Map，最有用的转换函数。map() 接收一个函数，把这个函数用于 RDD 中的每个元素，将函数的返回结果作为结果RDD
mapPartition可以倒过来理解，先partition，再把每个partition进行map函数
map，mapToPair：一对一转换。
flatMap，flatMapToPair：一对多转换。

过滤：
filter，这通常用于规则校验，条件查询中。条件查询通常有：等于、小于、大于、小于等于、大于等于、模糊匹配，区间等。对于复杂条件，涉及到多个实体对象，需要注意序列化问题。

计数：
reduceByKey，reduce，count，accumulator
计数有2种，一种是对值本身累加，一种是对值的数量计数。
reduceByKey接收一个函数，按照相同的key进行reduce操作。
累加器也可以作为计数工具，累加器本身用处是统计程序执行次数，做一些处理，也可以做对值的数量计数。

排序：
sortByKey
用于对pairRDD按照key进行排序，第一个参数可以设置true或者false，默认是true。true是升序。
这里有个问题，就是为什么没有sort。也就是对非键值对排序，没有对应的rdd。实际上，可以通过其它rdd去实现。

分类：
groupByKey
Cogroup
Reduce
Countbykey
groupByKey会将RDD[key,value] 按照相同的key进行分组，形成RDD[key,Iterable[value]]的形式
cogroup
groupByKey是对单个 RDD 的数据进行分组，还可以使用一个叫作 cogroup() 的函数对多个共享同一个键的 RDD 进行分组 。
分类通常以某个对象为依据。按这个概念，它的用途非常广泛。

统计：
统计比较复杂，几乎没有算子单独实现需求。常见的统计有：max，min，avg，sum，趋势。

实际的例子：

1. 条件查询
   查询包含等于、小于、大于、小于等于、大于等于、模糊匹配，区间等条件的数据。
   使用map，filter。
2. 求最值
   求max，min，avg，sum等数据。
   具体可参见：
   https://github.com/zhouyang-bigdata/SparkRddRealExamples

特殊rdd的使用选择

特殊rdd，对笔者而言，比较特别的rdd跟以下几个方面有联系：

1. shuffle操作
2. 在driver上还是在executor上执行
3. partition的意义
4. Union，join，aggregate

（1）shuffle操作
我们知道，reducebykey，groupbykey是会发生shuffle操作的。事实上,repartition，join，cogroup，和任何的By或ByKey转换可以导致洗牌。 Shuffle操作，会把转换的中间数据进行分割，然后临时存到磁盘。直到下一次转换，需要从磁盘读取数据。这个操作很低效，而且带来大量内存消耗。为什么会消耗大量内存呢？因为，对于map，filter等操作，从磁盘读取数据也好，还是处理上一步操作的中间数据，数据本身是一个抽象的rdd数据集，数据是以流的形式，小批次的放入内存，在一个时间点，内存消耗并不是很高。而这里的读磁盘数据，是一次性的读取大量数据到内存，内存消耗大。
除此之外，这2个操作，都是宽依赖，同时会产生网络io，io大小与数据量和partition的数量有关。

（2）在driver上还是在executor上执行
这是一个容易犯错的问题。比如foreachRDD，是在driver端执行。foreach，foreachPartition在executor上执行。对于面向外部连接，比如mysql连接，redis连接，hbase连接，我们不想要都在driver端创建，因为这样，每个executor端都从driver端拿数据。这里面有个情况容易混淆，就是：
数据是都在driver端处理还是仅汇总到driver端？
这个区别，直接将Action算子分为2类。

（3）partition的意义
Partition的思路，是把数据分成一块一块的，再使用task并行计算。一般推荐每个真核分2-4partition。Partition与task的关系？
可参见：
https://blog.csdn.net/cafebar123/article/details/79684596

我们知道mappartition在处理外部连接的时候，比map更有效，比如mysql，redis。
使用map与mapPartition，本质区别，是每次载入内存的数据的大小，越大，则函数执行次数越少，综合来说，执行次数越少越好，原因有二：

1. 函数每执行一次，jvm就需分析一次；次数越少，jvm分析的总时间就越少。

2. 对于建立外部连接时，比如读取mysql，kafka数据，建立的连接越少越高效。
   但每次载入内存的数据大小，也不能过大。个人建议应不大于每个task分配的内存的1/3。

reduceByKey,groupByKey,的使用选择

collect，count的使用选择

总结