Spark练习之Transformation操作开发
- 一、map：将集合中的每个元素乘以2
- 二、filter：过滤出集合中的偶数
- 三、flatMap：将行拆分为单词
- 四、groupByKey：将每个班级的成绩进行分组
- 五、reduceByKey：统计每个班级的总分
- 六、sortByKey：将学生分数进行排序
- 七、join：打印每个学生的成绩
- 八、cogroup：打印每个学生的成绩
- 九、main函数
一、map：将集合中的每个元素乘以2
1.1 Java
/**
* map算子：将集合中的每一个元素都乘以2
*/
private static void map() {
//创建SparkConf
SparkConf conf = new SparkConf()
.setAppName("map")
.setMaster("local");
//创建JavaSparkContext
JavaSparkContext sc = new JavaSparkContext(conf);
//构造集合
List numbers = Arrays.asList(1, 2, 3, 4, 5);
//并行化集合，创建初始RDD
JavaRDD numberRDD = sc.parallelize(numbers);
//使用map算子，将集合中的每个元素都乘以2
//map算子，是对任何类型的RDD，都可以调用的
//在Java中，map算子接收的参数时Function对象
//创建的Function对象，一定会让你设置第二个泛型参数，这个泛型参数，就是返回的新元素的类型
//同时call()方法的返回类型，也必须与第二个泛型类型同步
//在call()方法内部，就可以对原始RDD中的每一个元素进行各种处理和计算，并返回一个新的元素
//所有新的元素就会组成一个新的RDD
JavaRDD multipleNUmberRDD = numberRDD.map(new Function() {
private static final long serivalVersionUID = 1L;
//传入call方法的，是1,2,3,4,5
//返回的就是2,4,6,8,10
@Override
public Integer call(Integer integer) throws Exception {
return integer * 2;
}
});
//打印新的RDD
multipleNUmberRDD.foreach(new VoidFunction() {
private static final long serivalVersionUID = 1L;
@Override
public void call(Integer integer) throws Exception {
System.out.println(integer);
}
});
//关闭JavaSparkContext
sc.close();
}
1.2 Scala
def map(): Unit = {
val conf = new SparkConf().setAppName("map").setMaster("local")
val sc = new SparkContext(conf)
val numbers = Array(1, 2, 3, 4, 5)
val numberRDD = sc.parallelize(numbers, 1)
val multipleNumberRDD = numberRDD.map(num => num * 2)
multipleNumberRDD.foreach(num => println(num))
}
二、filter：过滤出集合中的偶数
2.1 Java
/**
* filter算子：过滤集合中的偶数
*/
private static void filter() {
//创建SparkConf
SparkConf conf = new SparkConf()
.setAppName("map")
.setMaster("local");
//创建JavaSparkContext
JavaSparkContext sc = new JavaSparkContext(conf);
//构造集合
List numbers = Arrays.asList(1, 2, 3, 4, 5, 6, 7, 8, 9, 10);
//并行化集合，创建初始RDD
JavaRDD numberRDD = sc.parallelize(numbers);
//对初始化RDD执行filter算子，过滤出其中的偶数
//filter算子操作，传入的也是Function，其他的使用注意点，和map是一样的
//但是，唯一的不同，就是call()方法的返回类型是Boolean
//每一个初始RDD中的元素，都会传入call()方法，此时你可以执行各种自定义的计算逻辑
//来判断这个元素是否是你想要的
//如果想在新的RDD中保留这个元素，那么就返回true，否则，返回false
JavaRDD evenNumberRDD = numberRDD.filter(new Function() {
private static final long serivalVersionUID = 1L;
//传入call方法的，是1,2,3,4,5
//返回的就是2,4,6,8,10
@Override
public Boolean call(Integer integer) throws Exception {
return integer % 2 == 0;
}
});
//打印新的RDD
evenNumberRDD.foreach(new VoidFunction() {
private static final long serivalVersionUID = 1L;
@Override
public void call(Integer integer) throws Exception {
System.out.println(integer);
}
});
//关闭JavaSparkContext
sc.close();
}
2.2 Scala
def filter(): Unit = {
val conf = new SparkConf().setAppName("filter").setMaster("local")
val sc = new SparkContext(conf)
val numbers = Array(1, 2, 3, 4, 5, 6, 7, 8, 9, 10)
val numberRDD = sc.parallelize(numbers, 1)
val multipleNumberRDD = numberRDD.filter(num => num % 2 == 0)
multipleNumberRDD.foreach(num => println(num))
}
三、flatMap：将行拆分为单词
3.1 Java
/**
* flatMap算子：过滤集合中的偶数
*/
private static void flatMap() {
//创建SparkConf
SparkConf conf = new SparkConf()
.setAppName("flatMap")
.setMaster("local");
//创建JavaSparkContext
JavaSparkContext sc = new JavaSparkContext(conf);
//构造集合
List lineList = Arrays.asList("hello you", "hello me", "hello world");
//并行化集合，创建初始RDD
JavaRDD lines = sc.parallelize(lineList);
//对初始化RDD执行flatMap算子，将每一行文本，拆分为多个单词
//flatMap算子，在Java中，接收的参数的FlagMapFunction
//需要自定义FlatMapFunction的第二个泛型类型，即代表了返回的新元素的类型
//call()方法，返回的类型，不是U，而是Iterable，这里的U也与第二个泛型类型相同
//flatMap其实就是，接收原始RDD中的每个元素，并进行各种逻辑的计算和处理，返回可以返回多个元素
//多个元素，即封装在Iterator集合中，可以使用ArrayList等集合
JavaRDD words = lines.flatMap(new FlatMapFunction() {
private static final long serivalVersionUID = 1L;
@Override
public Iterator call(String s) throws Exception {
return (Iterator) Arrays.asList(s.split(" "));
}
});
//打印新的RDD
words.foreach(new VoidFunction() {
private static final long serivalVersionUID = 1L;
@Override
public void call(String t) throws Exception {
System.out.println(t);
}
});
//关闭JavaSparkContext
sc.close();
}
3.2 Scala
def flatMap(): Unit = {
val conf = new SparkConf().setAppName("flatMap").setMaster("local")
val sc = new SparkContext(conf)
val lineArray = Array("hello you", "hello me", "hello world")
val lines = sc.parallelize(lineArray, 1)
val words = lines.flatMap(line => line.split(" "))
words.foreach(word => println(word))
}
四、groupByKey：将每个班级的成绩进行分组
4.1 Java
/**
* groupNyKey算子：按照班级对成绩进行分组
*/
private static void groupByKey() {
//创建SparkConf
SparkConf conf = new SparkConf()
.setAppName("groupByKey")
.setMaster("local");
//创建JavaSparkContext
JavaSparkContext sc = new JavaSparkContext(conf);
//构造集合
List> scoresList = Arrays.asList(
new Tuple2<>("class1", 80),
new Tuple2<>("class2", 88),
new Tuple2<>("class1", 80),
new Tuple2<>("class2", 90));
//并行化集合，创建JavaPairRDD
JavaPairRDD scores = sc.parallelizePairs(scoresList);
//针对Scores RDD，执行groupByKey算子，对每个班级的成绩进行分组
//groupByKey算子，返回的还是JavaPairRDD
//但是，JavaPairRDD的第一个泛型类型不变，第二个泛型类型会变成Iterable这种集合类型
//也就是说，按照了Key进行分组，每个key可能都会有多个value，此时多个value聚合成了Iterable
//那么接下来，就可以通过groupedScores这种JavaPairRDD处理某个分组内的数据
JavaPairRDD> groupEdScores = scores.groupByKey();
//打印groupedScores RDD
groupEdScores.foreach(new VoidFunction>>() {
private static final long serivalVersionUID = 1L;
//对每个key，都会将其value，依次传入call方法
//从而聚合出每个key对应的一个value
//然后，将每个key对应的一个value，组合成一个Tuple2,作为新RDD的元素
@Override
public void call(Tuple2> stringIterableTuple2) throws Exception {
System.out.println("class：" + stringIterableTuple2._1);
Iterator ite = stringIterableTuple2._2.iterator();
while (ite.hasNext()) {
System.out.println(ite.next());
}
System.out.println("====================================");
}
});
//关闭JavaSparkContext
sc.close();
}
2.2 Scala
def groupByKey(): Unit = {
val conf = new SparkConf().setAppName("groupByKey").setMaster("local")
val sc = new SparkContext(conf)
val scoreList = Array(new Tuple2[String, Integer]("class1", 80),
new Tuple2[String, Integer]("class2", 88),
new Tuple2[String, Integer]("class1", 80),
new Tuple2[String, Integer]("class2", 90))
val scores = sc.parallelize(scoreList, 1)
val groupedScores = scores.groupByKey()
groupedScores.foreach(
score => {
println(score._1)
score._2.foreach(singleScore => println(singleScore))
println("===========")
}
)
}
五、reduceByKey：统计每个班级的总分
5.1 Java
/**
* reduceNyKey算子：统计每个班级的总分
*/
private static void reduceNyKey() {
//创建SparkConf
SparkConf conf = new SparkConf()
.setAppName("reduceNyKey")
.setMaster("local");
//创建JavaSparkContext
JavaSparkContext sc = new JavaSparkContext(conf);
//构造集合
List> scoresList = Arrays.asList(
new Tuple2<>("class1", 80),
new Tuple2<>("class2", 88),
new Tuple2<>("class1", 80),
new Tuple2<>("class2", 90));
//并行化集合，创建JavaPairRDD
JavaPairRDD scores = sc.parallelizePairs(scoresList);
//针对Scores RDD，执行reduceByKey算子
//reduceByKey，接收的参数时Function2类型，它有三个泛型参数，实际上代表了3个值
//第一个泛型类型和第二个泛型类型，代表了原始RDD中的元素的value的类型
//因此对每个key进行reduce，都会依次将第一个、第二个value传入，将值再与第三个value传入
//因此此处，会自动定义两个泛型类型，代表call()方法的两个传入参数的类型
//第三个泛型类型，代表了每次reduce操作返回的值的类型，默认也是与原始RDD的value类型相同的
//reduceByKey算子返回的RDD，还是JavaPairRDD
JavaPairRDD totalScores = scores.reduceByKey(new Function2() {
private static final long serivalVersionUID = 1L;
@Override
public Integer call(Integer v1, Integer v2) throws Exception {
return v1 + v2;
}
});
//打印totalScore RDD
//打印groupedScores RDD
totalScores.foreach(new VoidFunction>() {
private static final long serivalVersionUID = 1L;
@Override
public void call(Tuple2 t) throws Exception {
System.out.println(t._1 + ":" + t._2);
}
});
//关闭JavaSparkContext
sc.close();
}
5.2 Scala
def reduceByKey(): Unit = {
val conf = new SparkConf().setAppName("reduceByKey").setMaster("local")
val sc = new SparkContext(conf)
val scoreList = Array(new Tuple2[String, Integer]("class1", 80),
new Tuple2[String, Integer]("class2", 88),
new Tuple2[String, Integer]("class1", 80),
new Tuple2[String, Integer]("class2", 90))
val scores = sc.parallelize(scoreList, 1)
val totalScores = scores.reduceByKey(_ + _)
totalScores.foreach(classScore => println(classScore._1 + ":" + classScore._2))
}
六、sortByKey：将学生分数进行排序
6.1 Java
/**
* sortByKey算子：按照学生分数进行排序
*/
private static void sortByKey() {
//创建SparkConf
SparkConf conf = new SparkConf()
.setAppName("sortByKey")
.setMaster("local");
//创建JavaSparkContext
JavaSparkContext sc = new JavaSparkContext(conf);
//构造集合
List> scoresList = Arrays.asList(
new Tuple2<>(65, "leo"),
new Tuple2<>(60, "tom"),
new Tuple2<>(90, "marry"),
new Tuple2<>(88, "jack"));
//并行化集合，创建JavaPairRDD
JavaPairRDD scores = sc.parallelizePairs(scoresList);
//对scoreRDD执行sortByKey算子
//sortByKey其实就是根据key进行排序，可以手动指定升序，或者降序
//返回的，还是JavaPairRDD，其中的元素内容和原始的RDD一样
//只是RDD中的元素顺序不同了
JavaPairRDD sortedScored = scores.sortByKey();
//打印sortedScored RDD
sortedScored.foreach(new VoidFunction>() {
private static final long serivalVersionUID = 1L;
@Override
public void call(Tuple2 t) throws Exception {
System.out.println(t._1 + "：" + t._2);
}
});
//关闭JavaSparkContext
sc.close();
}
6.2 Scala
def sortByKey(): Unit = {
val conf = new SparkConf().setAppName("sortByKey").setMaster("local")
val sc = new SparkContext(conf)
val scoreList = Array(new Tuple2[Integer, String](90, "cat"),
new Tuple2[Integer, String](80, "leo"),
new Tuple2[Integer, String](80, "opp"),
new Tuple2[Integer, String](55, "lll"))
val scores = sc.parallelize(scoreList, 1)
val totalScores = scores.sortByKey()
totalScores.foreach(studentScore => println(studentScore._1 + ":" + studentScore._2))
}
七、join：打印每个学生的成绩
7.1 Java
/**
* join算子：打印学生成绩
*/
private static void join() {
//创建SparkConf
SparkConf conf = new SparkConf()
.setAppName("join")
.setMaster("local");
//创建JavaSparkContext
JavaSparkContext sc = new JavaSparkContext(conf);
//学生集合
List> studentList = Arrays.asList(
new Tuple2<>(1, "leo"),
new Tuple2<>(2, "tom"),
new Tuple2<>(3, "marry"),
new Tuple2<>(4, "jack"));
//分数集合
List> scoreList = Arrays.asList(
new Tuple2<>(1, 100),
new Tuple2<>(2, 80),
new Tuple2<>(3, 50),
new Tuple2<>(4, 20));
//并行化两个RDD
JavaPairRDD student = sc.parallelizePairs(studentList);
JavaPairRDD scores = sc.parallelizePairs(scoreList);
//使用join算子关联两个RDD
//join以后，还是会根据key进行join，并返回JavaPairRDD
//但是JavaPairRDD的第一个泛型类型，之前两个JavaPairRDD的key类型，因为是通过key进行join的
//第二个泛型类型，是Tuple2的类型，Tuple2的两个反省分别为原始RDD的value的类型
//join，就返回的RDD的每一个元素，就是通过Key join上的一个pair
//比如有（1,1）（1,2）（1,3）的一个RDD和（1,4）（2,1）（2.2）的一个RDD
//join以后，实际上会得到（1，（1,4））（1，（2,4））（1，（3,4））
JavaPairRDD> studentScores = student.join(scores);
//打印sortedScored RDD
studentScores.foreach(new VoidFunction>>() {
@Override
public void call(Tuple2> t) throws Exception {
System.out.println("student id：" + t._1);
System.out.println("student name：" + t._2._1);
System.out.println("student score：" + t._2._2);
System.out.println("==============");
}
});
//关闭JavaSparkContext
sc.close();
}
7.2 Scala
def join(): Unit = {
val conf = new SparkConf().setAppName("join").setMaster("local")
val sc = new SparkContext(conf)
//学生集合
val studentList = Array(
new Tuple2[Integer, String](1, "leo"),
new Tuple2[Integer, String](2, "tom"),
new Tuple2[Integer, String](3, "marry"))
//分数集合
val scoreList = Array(
new Tuple2[Integer, Integer](1, 100), new Tuple2[Integer, Integer](2, 80),
new Tuple2[Integer, Integer](3, 50), new Tuple2[Integer, Integer](1, 70),
new Tuple2[Integer, Integer](2, 10), new Tuple2[Integer, Integer](3, 40))
val student = sc.parallelize(studentList)
val scores = sc.parallelize(scoreList)
val studentScores = student.join(scores)
studentScores.foreach(studentScore => println({
System.out.println("student id：" + studentScore._1)
System.out.println("student name：" + studentScore._2._1)
System.out.println("student score：" + studentScore._2._2)
System.out.println("==============")
}))
}
八、cogroup：打印每个学生的成绩
8.1 Java
/**
* cogroup算子：打印学生成绩
*/
private static void cogroup() {
//创建SparkConf
SparkConf conf = new SparkConf()
.setAppName("cogroup")
.setMaster("local");
//创建JavaSparkContext
JavaSparkContext sc = new JavaSparkContext(conf);
//学生集合
List> studentList = Arrays.asList(
new Tuple2<>(1, "leo"),
new Tuple2<>(2, "tom"),
new Tuple2<>(3, "marry"));
//分数集合
List> scoreList = Arrays.asList(
new Tuple2<>(1, 100),
new Tuple2<>(2, 80),
new Tuple2<>(3, 50),
new Tuple2<>(1, 70),
new Tuple2<>(2, 10),
new Tuple2<>(3, 40));
//并行化两个RDD
JavaPairRDD student = sc.parallelizePairs(studentList);
JavaPairRDD scores = sc.parallelizePairs(scoreList);
//cogroup与join不同
//相当于是，一个key join上的所有value，都给放到一个Iterable里面去了
JavaPairRDD, Iterable>> studentScores = student.cogroup(scores);
//打印sortedScored RDD
studentScores.foreach(new VoidFunction, Iterable>>>() {
@Override
public void call(Tuple2, Iterable>> t) throws Exception {
System.out.println("student id：" + t._1);
System.out.println("student name：" + t._2._1);
System.out.println("student score：" + t._2._2);
System.out.println("==============");
}
});
//关闭JavaSparkContext
sc.close();
}
九、main函数
9.1 Java
public static void main(String[] args) {
//map();
//filter();
//flatMap();
//groupByKey();
//reduceNyKey();
//sortByKey();
//join();
cogroup();
}
9.2 Scala
def main(args: Array[String]) {
//map()
//filter()
//flatMap()
//groupByKey()
//reduceByKey()
//sortByKey()
join()
}
