Spark每日半小时（4）——Spark基础参数传值

向Spark传递参数

Spark的大部分转化操作和一部分行动操作，都需要依赖用户传递的函数来计算。在我们支持的三种主要语言中，向Spark传递函数的方式略有区别。这里主要写Java

在Java中，函数需要作为实现了Spark的org.apache.spark.api.java.function包中的任一函数接口的对象来传递。根据不同的返回来行，我们定义了一些不懂的接口。我们把最基本的一些函数接口列在下表中，同时介绍了一些其他的函数接口，在需要返回特殊类型（比如键值对）的数据时使用。

标准Java函数接口

函数名	实现方法	用途
Function	R call(T)	接收一个输入值并返回一个输出值，用于类似map()和filter()等操作中
Function2	R call(T1,T2)	接收两个输入值并返回一个输出值，用于类似aggregate()和fold()等操作中
FlatMapFunction	Iterable call(T)	接收一个输入值并返回任意个输出，用于类似flatMap()这样的操作

可以把我们的函数类内联定义为使用匿名内部类，也可以创建一个具名类

在Java中使用匿名内部类进行函数传递

        JavaRDD errorLog = log.filter(
                (Function) s -> s.contains("error")
        );

在Java中使用具名类进行函数传递

        class ContainsError implements Function {
            @Override
            public Boolean call(String s) throws Exception {
                return s.contains("error");
            }
        }
        JavaRDD errorLog = log.filter(new ContainsError());

集体风格的选择取决于个人偏好。不过我们发现顶级具名类通常在组织大型程序时显得比较清晰。使用顶级函数的另一个好处在于你可以给他们的构造函数添加参数。

带参数的Java函数类

        class ContainsError implements Function {
            private String query;

            public ContainsError(String query) {
                this.query = query;
            }

            @Override
            public Boolean call(String s) throws Exception {
                return s.contains(query);
            }
        }
        JavaRDD errorLog = log.filter(new ContainsError("error"));

在Java8中，也可以使用Lambda表达式来简洁地实现函数接口。当然啦 ，我之前写的都是这样一种简介表达式。这里不再赘述。

常见地转化操作和行动操作

基本RDD

针对各个元素地转化操作

你很可能会用到的两个最常用的转化操作式map()和filter()。转化操作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中对应元素的值。而转化操作filter()则接收一个函数，并将RDD中满足该函数的元素放入新的RDD中返回。

我们可以使用map()来做各种各样的事情：可以把我们的URL集合中的每个URL对应的主机名提取出来，也可以简单到只对各个数字求平方值。map()的返回值类型不需要和输入类型一样。这样如果有一个字符串RDD，并且我们的map()函数是用来把字符串解析并返回一个Double值的，那么此时我们的输入RDD类型就是RDD[String]，而输出类型RDD[Double]。

计算RDD中各值的平方

        JavaSparkContext sc = new JavaSparkContext(conf);
        JavaRDD rdd = sc.parallelize(Arrays.asList(1, 2, 3, 4));
        JavaRDD result = rdd.map(
                (Function) integer -> integer * integer
        );
        System.out.println(StringUtils.join(result.collect(), ","));

有时候，我们希望对每个输入元素生成多个输出元素。实现该功能的操作叫做flatMap()。和map()类似，我们提供给flatMap()的函数被分别应用到了输入RDD的每个元素上。不过返回的不是一个元素，而是一个返回值序列的迭代器。输出的RDD倒不是由迭代器组成的。我们得到的是一个包含各个迭代器可访问的所有元素的RDD。flatMap()的一个简单用途是把输入的字符串切分为单词。

        JavaRDD lines = sc.parallelize(Arrays.asList("hello world", "hi"));
        JavaRDD words = lines.flatMap(
                (FlatMapFunction) s
                        -> (Iterator) Arrays.asList(s.split(" "))
        );
        System.out.println(words.first());

下图阐释了flatMap()和map()的区别。你可以把flatMap()看作将返回的迭代器”拍扁“，这样就得到了一个由各列表中的元素组成的RDD，而不是一个由列表组成的RDD。

伪集合操作

尽管RDD本身不是严格意义上的集合，但它也支持许多数学上的集合操作，比如合并和相交操作，下图展示了四种操作。注意，这些操作都要求操作的RDD是相同数据类型。

我们的RDD中最常确实的集合属性是元素的唯一性，因为常常有重复的元素。如果要唯一各元素，我们可以使用RDD.distinct()转化操作来生成一个只包含不同元素的新RDD。不过需要注意，distinct()操作的开销很大，因为它需要将所有数据通过网络进行混洗（shuffle），以确保每个元素都只有一份。

最简单的集合操作时union(other)，它会返回一个包含两个RDD中所有元素的RDD。这在很多用例下都是很有用，比如处理来自多个数据源的日志文件。与数学中的union()操作不同的是，如果输入的RDD中有重复数据，Spark的union()操作也会包含这些重复数据。

Spark还提供了intersection(other)方法，只返回两个RDD中都有的元素。intersection()在运行时也会去掉所有重复的元素。尽管intersection()与union()的概念相似，intersection()的性能却要差很多，因为它需要通过网络混洗数据来发现共有的元素。

有时我们需要移除一些数据。subtract(other)函数接收另一个RDD作为参数，返回一个由只存在于第一个RDD中而不存在于第二个RDD中的所有元素组成的RDD。和intersection()一样，它也需要数据混洗。

我们也可以计算两个RDD的笛卡尔积。cartesian(other)转化操作会返回所有可能的(a,b)对，其中a是源RDD中的元素，而b则来自另一个RDD。笛卡尔积在我们希望考虑所有可能的组合的相似度时比较有用，比如计算各自用户对各种产品的预期兴趣程度。我们也可以求一个RDD与其自身的笛卡尔积，这可以用于求用户相似度的应用中。不过要特别注意的是，求大规模RDD的笛卡尔积开销巨大。

对一个数据为{1，2，3，3}的RDD进行基本的RDD转化操作

函数名	目的	示例	结果
map()	将函数应用于RDD中的每个元素，将返回值构成新的RDD	rdd.map(x => x + 1	{2,3,4,4}
flatMap()	将函数应用于RDD中的每个元素，将返回的迭代器的所有内容构成新的RDD。通常用来切分单词	rdd.flatMap(x => x.to(3))	{1,2,3,2,3,3,3}
filter()	返回一个由通过传给filter()的函数的元素组成的RDD	rdd.filter(x => x!=1)	{2,3,3}
distinct()	去重	rdd.distinct()	{1,2,3}
sample(withReplacement, fraction, [seed])	对RDD采样，以及是否替换	rdd.sample(false, 0.5)	{1，2，3}非确定

对数据分别为{1，2，3}和{3，4，5}的RDD进行针对两个RDD的转化操作

函数名	目的	示例	结果
union()	生成一个包含两个RDD中所有元素的RDD	rdd.union(other)	{1,2,3,3,4,5}
intersection()	求两个RDD共同的元素的RDD	rdd.intersection(other)	{3}
subtract()	移除一个RDD中的内容（例如移除训练数据）	rdd.subtract(other)	{1,2}
cartesian()	与另一个RDD的笛卡尔积	rdd.cartesian(other)	{(1,3),(1,4),...,(3,5)}

行动操作

你很有可能会用到基本RDD上最常见的行动操作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。一个简单的例子就是函数+，可以用它来对我们的RDD进行累加。使用reduce()，可以很方便地计算出RDD中所有元素的总和、元素的个数，以及其他类型的聚合操作

        JavaRDD counts = sc.textFile("README.md");
        Integer sum = Integer.valueOf(counts.reduce(
                (Function2) (s, s2)
                        -> String.valueOf(Integer.valueOf(s) + Integer.valueOf(s2))
        ));

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。你所提供的初始值应当是你提供的操作的单位元素；也就是说，使用你的函数对这个初始值进行多次计算不会改变结果（例如+对应的0，*对应的1，或拼接操作对应的空列表）。

fold()和reduce()都要求函数的返回值类型需要和我们所操作的RDD中的元素类型相同。这很符合像sum这种操作的情况。但有时我们确实需要返回一个不同类型的值。例如，在计算平均值时，需要记录遍历过程中的计数以及元素的数量，这就需要返回一个二元组。可以先对数据使用map()操作，来把元素转为元素和1的二元组，也就是我们所希望的返回类型。这样reducce()就可以以二元组的形式进行归约了。

aggregate()函数则把我们从返回值类型必须与所操作的RDD类型相同的限制中解放出来。与fold()类似，使用aggregate()时，需要提供我们期待返回的类型的初始值。然后通过一个函数把RDD中的元素合并起来放入累加器。考虑到每个节点是在本地进行累加的，最终，还需要提供第二个函数来将累加器两两合并。

我们可以用aggregate()来计算RDD的平均值，来代替map()后面接fold()的方式

/**
 * @author DKing
 * @description
 * @date 2019/6/2
 */
public class CalculateSum {
    public static void main(String[] args) {
        SparkConf conf = new SparkConf().setMaster("local").setAppName("calculateSum");
        JavaSparkContext sc = new JavaSparkContext(conf);

        JavaRDD counts = sc.parallelize(Arrays.asList(1, 2, 3, 4, 5, 6, 7, 8, 9));

        Function2 addAndCount =
                (Function2) (avgCount, integer) -> {
                    avgCount.total += integer;
                    avgCount.num += 1;
                    return avgCount;
                };
        Function2 combine =
                (Function2) (avgCount, avgCount2) -> {
                    avgCount.total += avgCount2.total;
                    avgCount.num += avgCount2.num;
                    return avgCount;
                };

        AvgCount initial = new AvgCount(0, 0);
        AvgCount result = counts.aggregate(initial, addAndCount, combine);
        System.out.println(result.avg());
    }

    static class AvgCount implements Serializable {
        public int total;
        public int num;

        public AvgCount(int total, int num) {
            this.total = total;
            this.num = num;
        }

        public double avg() {
            return total / (double) num;
        }
    }
}

对一个数据为{1，2，3，3}的RDD进行基本的RDD行动操作

函数名	目的	示例	结果
collect()	返回RDD中的所有元素	rdd.collect()	{1,2,3,3}
count()	RDD中的元素个数	rdd.count()	4
countByValue()	各元素在RDD中出现的次数	rdd.countByValue()	{(1,1),(2,1),(3,2)}
take(num)	从RDD中返回num个元素	rdd.take(2)	{1,2}
takeOrdered(num)(ordering)	从RDD中按照提供的顺序返回最前面的num个元素	rdd.takeOrdered(2)(myOrdering)	{3,3}
takeSample(withReplacement,num,[seed])	从RDD中返回任意一些元素	rdd.takeSample(false,1)	非确定的
reduce(func)	并行整合RDD中所有数据	rdd.reduce((x,y) => x+y)	9
fold(zero)(func)	和reduce()一样，但是需要提供初始值	rdd.fold(0)((x,y) => x+y)	9
aggregate(zeroValue)(seq0p,comb0p)	和reduce()相似，但是通常返回不同类型的函数	rdd.aggregate((0,0))	(9,4)
top(num)	从RDD中返回最前面的num个元素	rdd.top(2)	{3,3}
foreach(func)	对RDD中的每个元素使用给定的函数	rdd.foreach(func)	无

在不同RDD类型间转换

在Java中，各种RDD的特殊类型间的转换更为明确。Java中有个专门的类JavaDoubleRDD和JavaPairRDD，来处理特殊类型的RDD，这两个类还针对这些类型提供了额外的函数。这让你可以更加了解所发生的一切。

Java中针对专门类型的函数接口

函数名	等价函数	用途
DoubleFlatMapFunction	Function>	用于flatMapToDouble，以生成DoubleRDD
DoubleFunction	Function	用于mapToDouble，以生成DoubleRDD
PairFlatMapFunction	Function>>	用于flatMapToPair，以生成PairRDD
PairFunction	Function>	用于mapToPair，以生成PairRDD

        JavaRDD counts = sc.parallelize(Arrays.asList(1, 2, 3, 4, 5, 6, 7, 8, 9));

        JavaDoubleRDD doubleRDD = counts.mapToDouble(
                (DoubleFunction) integer -> integer * integer
        );
        System.out.println(doubleRDD.mean());