Spark常用算子分析与应用
1、算子概述
什么是算子
o英文翻译为：Operator（简称op）
o狭义：指从一个函数空间到另一个函数空间（或它自身）的映射。
o广义：指从一个空间到另一个空间的映射
o通俗理解：指事物(数据或函数)从一个状态到另外一个状态的过程抽象。
o实质就是映射，就是关系，就是变换。
算子的重要作用
o算子越少，灵活性越低，则实现相同功能的编程复杂度越高，算子越多则反之。
老手机与智能手机
老电脑与新电脑之HDMI (跟VGA是对等的)
o算子越少，表现力越差，面对复杂场景则易用性较差。算子越多的则反之。
黑白彩电与彩色电视
彩色电视和智能电视
MapReduce 与 Spark算子比较
oMapReduce只有2个算子，Map和Reduce，绝大多数应用场景下，均需要复杂编码才能达到用户需求。
oSpark有80多个算子，进行充分的组合应用后，能满足绝大多数的应用场景。
2、Spark算子介绍与应用
2.1 算子分类
1 转换算子(Transformation）
此种算子不触发提交作业，只有作业被提交后才会真正启动转换计算。
Value型转换算子：其处理的数据项是Value型
o输入分区与输出分区一对一型
map算子
flatMap算子
mapPartitions算子
glom算子
o输入分区与输出分区多对一型
union算子
cartesian算子
o输入分区与输出分区多对多型
groupBy算子
o输出分区为输入分区子集型
filter算子
distinct算子
subtract算子
sample算子
takeSample算子
oCache型
cache算子
persist算子
Key-Value型转换算子：其处理的数据是Key-Value型
o输入分区与输出分区一对一
mapValues算子
o对单个RDD聚集
combineByKey算子
reduceByKey算子
partitionBy算子
o对两个RDD聚集
cogroup算子
o连接
join算子
leftOutJoin算子
rightOutJoin算子
2 行动算子(Action）
此种算子会触发SparkContext提交作业。
无输出(是指不输出hdfs、本地文件当中)
oforeach算子
HDFS
osaveAsTextFile算子
osaveAsObjectFile算子
Scala集合和数据类型
ocollect算子
ocollectAsMap算子
oreduceByKeyLocally算子
olookup算子
ocount算子
otop算子
oreduce算子
ofold算子
oaggregate算子
2.2 常用算子分析与应用
2.2.1 Value型转换算子
1) map
o类比于mapreduce中的map操作，给定一个输入通过map函数映到成一个新的元素输出
case_1
val first = sc.parallelize(List(“Hello”,“World”,“天亮教育”,“大数据”),2)
val second= first.map(_.length)
second.collect
case_2
val first = sc.parallelize(1 to 5,2)
first.map(1 to _).collect
2) flatMap
o给定一个输入，将返回的所有结果打平成一个一维集合结构
case_1
val first = sc.parallelize(1 to 5,2)
first.flatMap(1 to _).collect
case_2
val first = sc.parallelize(List(“one”,“two”,“three”),2)
first.flatMap(x => List(x,x,x)).collect
case_3
val first = sc.parallelize(List(“one”,“two”,“three”),2)
first.flatMap(x => List(x+"_1",x+"_2",x+"_3")).collect
3) mapPartitions
o以分区为单位进行计算处理，而map是以每个元素为单位进行计算处理。
o当在map过程中需要频繁创建额外对象时，如文件输出流操作、jdbc操作、Socket操作等时，当用mapPartitions算子
case_1
val rdd=sc.parallelize(Seq(1,2,3,4,5),3)
var rdd2=rdd.mapPartitions(partition=>{
partition.map(num => num * num)
}
)
rdd2.max
case_2
val rdd=sc.parallelize(Seq(1,2,3,4,5),3)
var rdd2=rdd.mapPartitions(partition=>{
partition.flatMap(1 to )
}
)
rdd2.count
4) glom
以分区为单位，将每个分区的值形成一个数组
val a = sc.parallelize(Seq(“one”,“two”,“three”,“four”,“five”,“six”,“seven”),3)
a.glom.collect
5) union算子
o将两个RDD合并成一个RDD，并不去重
o会发生多分区合并成一个分区的情况
val a = sc.parallelize(1 to 4, 2)
val b = sc.parallelize(3 to 6, 2)
a.union(b).collect
(a ++ b).collect
(a union b).collect
6) groupBy算子
输入分区与输出分区多对多型
val a = sc.parallelize(Seq(1,3,4,5,9,100,200), 3)
a.groupBy(x => { if (x > 10) “>10” else “<=10” }).collect
7) filter算子
输出分区为输入分区子集型
val a = sc.parallelize(1 to 21, 3)
val b = a.filter( % 4 == 0)
b.collect
8 ) distinct算子
输出分区为输入分区子集型，全局去重
case_1
val a = sc.parallelize(1 to 4, 2)
val b = sc.parallelize(3 to 6, 2)
a.union(b).distinct().collect
case_2
val c = sc.parallelize(List(“张三”, “李四”, “李四”, “王五”), 2)
c.distinct.collect
9) cache算子
ocache 将 RDD 元素从磁盘缓存到内存。 相当于 persist(MEMORY_ONLY) 函数的功能。
o主要应用在当RDD数据反复被使用的场景下
case_1
val a = sc.parallelize(1 to 4, 2)
val b = sc.parallelize(3 to 6, 2)
a.union(b).count
a.union(b).distinct().collect
case_2
val a = sc.parallelize(1 to 4, 2)
val b = sc.parallelize(3 to 6, 2)
val c=a.union(b).cache
c.count
c.distinct().collect
2.2.2 Key-Value型转换算子
其处理的数据是Key-Value型
1）mapValues算子
o输入分区与输出分区一对一
o针对（Key,Value）型数据中的 Value 进行 Map 操作，而不对 Key 进行处理。
val first = sc.parallelize(List((“张一”,1),(“张二”,2),(“张三”,3),(“张四”,4)),2)
val second= first.mapValues(x=>x+1)
second.collect
2）combineByKey算子
o定义
def combineByKey[C](
createCombiner: (V) => C,
mergeValue: (C, V) => C,
mergeCombiners: (C, C) => C): RDD[(String, C)]
createCombiner:对每个分区内的同组元素如何聚合，形成一个累加器
mergeValue:将前边的累加器与新遇到的值进行合并的方法
mergeCombiners:每个分区都是独立处理，故同一个键可以有多个累加器。如果有两个或者更多的分区都有对应同一个键的累加器，用方法将各个分区的结果进行合并。
ocase_1
val first = sc.parallelize(List((“张一”,1),(“李一”,1),(“张一”,2),(“张一”,3),(“李一”,3),(“李三”,3),(“张四”,4)),2)
val second= first.combineByKey(List(), (x:List[Int], y:Int) => y :: x, (x:List[Int], y:List[Int]) => x ::: y)
second.collect
3）reduceByKey算子
o按key聚合后对组进行归约处理，如求和、连接等操作
val first = sc.parallelize(List(“小米”, “华为”, “小米”, “小米”, “华为”, “苹果”), 2)
val second = first.map(x => (x, 1))
second.reduceByKey( + ).collect
4)join算子
o对Key-Value结构的RDD进行按Key的join操作，最后将V部分做flatmap打平操作。
val first = sc.parallelize(List((“张一”,11),(“李二”,12)),2)
val second = sc.parallelize(List((“张一”,21),(“李二”,22),(“王五”,23)),2)
first.join(second).collect
2.2.3 行动算子(Action）
此种算子会触发SparkContext提交作业。触发了RDD DAG 的执行。
1) 无输出型：不落地到文件或是hdfs的作用
oforeach算子
val first = sc.parallelize(List(“小米”, “华为”, “小米”, “小米”, “华为”, “苹果”), 2)
first.foreach(println )
2) HDFS输出型
osaveAsTextFile算子
val first = sc.parallelize(List(“小米”, “华为”, “小米”, “小米”, “华为”, “苹果”), 2)
//指定本地保存的目录
first.saveAsTextFile(“file:///home/spark/text”)
//指定hdfs保存的目录，默认路径是hdfs系统中/user/当前用户路径下
first.saveAsTextFile(“spark_shell_output_1”)
Scala集合和数据类型
o3) collect算子
相当于toArray操作，将分布式RDD返回成为一个scala array数组结果，实际是Driver所在的机器节点，再针对该结果操作
val first = sc.parallelize(List(“小米”, “华为”, “小米”, “小米”, “华为”, “苹果”), 2)
first.collect
4) collectAsMap算子
o相当于toMap操作，将分布式RDD的kv对形式返回成为一个的scala map集合，实际是Driver所在的机器节点，再针对该结果操作
val first = sc.parallelize(List((“张一”,1),(“李一”,1),(“张一”,2),(“张一”,3),(“李一”,3),(“李三”,3),(“张四”,4)),2)
first.collectAsMap
5)lookup算子
o对（Key，Value）型的RDD操作，返回指定Key对应的元素形成的Seq。
val first = sc.parallelize(List(“小米”, “华为”, “华米”, “大米”, “苹果”,“米老鼠”), 2)
val second=first.map(x=>({if(x.contains(“米”)) “有米” else “无米”},x))
second.lookup(“有米”)
6) reduce算子
o先对两个元素进行reduce函数操作，然后将结果和迭代器取出的下一个元素进行reduce函数操作，直到迭代器遍历完所有元素，得到最后结果。
//求value型列表的和
val a = sc.parallelize(1 to 10, 2)
a.reduce( + )
//求key-value型列表的value的和
val a = sc.parallelize(List((“one”,1),(“two”,2),(“three”,3),(“four”,4)), 2)
a.reduce((x,y)=>(“sum”,x.2 + y.2)).2
7) fold算子
ofold算子签名： def fold(zeroValue: T)(op: (T, T) => T): T
o其实就是先对rdd分区的每一个分区进行op函数，在调用op函数过程中将zeroValue参与计算，最后在对所有分区的结果调用op函数，同理此处zeroValue再次参与计算。
//和是41,公式=(1+2+3+4+5+6+10)+10
sc.parallelize(List(1, 2, 3, 4, 5, 6), 1).fold(10)(+)
//和是51,公式=(1+2+3+10)+(4+5+6+10)+10=51
sc.parallelize(List(1, 2, 3, 4, 5, 6), 2).fold(10)(+)
//和是61,公式=(1+2+10)+(3+4+10)+(5+6+10)+10=61
sc.parallelize(List(1, 2, 3, 4, 5, 6), 3).fold(10)(+_)