Spark 简单实例(基本操作)

目录[-]

  • 1、准备文件
  • 2、加载文件
  • 3、显示一行
  • 4、函数运用
  •  (1)map
  •  (2)collecct
  •  (3)filter
  •  (4)flatMap
  •  (5)union
  •  (6) join
  •  (7)lookup
  •  (8)groupByKey
  •  (9)sortByKey
  • 1、准备文件

    ?
    1
    wget http: //statweb.stanford.edu/~tibs/ElemStatLearn/datasets/spam.data

    2、加载文件

    ?
    1
    scala> val inFile = sc.textFile( "/home/scipio/spam.data" )

      输出

    ?
    1
    2
    3
    14 / 06 / 28  12 : 15 : 34  INFO MemoryStore: ensureFreeSpace( 32880 ) called with curMem= 65736 , maxMem= 311387750
    14 / 06 / 28  12 : 15 : 34  INFO MemoryStore: Block broadcast_2 stored as values to memory (estimated size  32.1  KB, free  296.9  MB)
    inFile: org.apache.spark.rdd.RDD[String] = MappedRDD[ 7 ] at textFile at : 12

    3、显示一行

    ?
    1
    scala> inFile.first()

      输出

    ?
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    14 / 06 / 28  12 : 15 : 39  INFO FileInputFormat: Total input paths to process :  1
    14 / 06 / 28  12 : 15 : 39  INFO SparkContext: Starting job: first at : 15
    14 / 06 / 28  12 : 15 : 39  INFO DAGScheduler: Got job  0  (first at : 15 ) with  1  output partitions (allowLocal= true )
    14 / 06 / 28  12 : 15 : 39  INFO DAGScheduler: Final stage: Stage  0 (first at : 15 )
    14 / 06 / 28  12 : 15 : 39  INFO DAGScheduler: Parents of  final  stage: List()
    14 / 06 / 28  12 : 15 : 39  INFO DAGScheduler: Missing parents: List()
    14 / 06 / 28  12 : 15 : 39  INFO DAGScheduler: Computing the requested partition locally
    14 / 06 / 28  12 : 15 : 39  INFO HadoopRDD: Input split: file:/home/scipio/spam.data: 0 + 349170
    14 / 06 / 28  12 : 15 : 39  INFO SparkContext: Job finished: first at : 15 , took  0.532360118  s
    res2: String =  0  0.64  0.64  0  0.32  0  0  0  0  0  0  0.64  0  0  0  0.32  0  1.29  1.93  0  0.96  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0.778  0  0  3.756  61  278  1

    该命令表明:spark加载文件是按行加载,每行为一个字符串,这样一个RDD[String]字符串数组就可以将整个文件存到内存中。

    4、函数运用

     (1)map
    ?
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    scala> val nums = inFile.map(x=>x.split( ' ' ).map(_.toDouble))
    nums: org.apache.spark.rdd.RDD[Array[Double]] = MappedRDD[ 8 ] at map at : 14
     
    scala> nums.first()
    14 / 06 / 28  12 : 19 : 07  INFO SparkContext: Starting job: first at : 17
    14 / 06 / 28  12 : 19 : 07  INFO DAGScheduler: Got job  1  (first at : 17 ) with  1  output partitions (allowLocal= true )
    14 / 06 / 28  12 : 19 : 07  INFO DAGScheduler: Final stage: Stage  1 (first at : 17 )
    14 / 06 / 28  12 : 19 : 07  INFO DAGScheduler: Parents of  final  stage: List()
    14 / 06 / 28  12 : 19 : 07  INFO DAGScheduler: Missing parents: List()
    14 / 06 / 28  12 : 19 : 07  INFO DAGScheduler: Computing the requested partition locally
    14 / 06 / 28  12 : 19 : 07  INFO HadoopRDD: Input split: file:/home/scipio/spam.data: 0 + 349170
    14 / 06 / 28  12 : 19 : 07  INFO SparkContext: Job finished: first at : 17 , took  0.011412903  s
    res3: Array[Double] = Array( 0.0 0.64 0.64 0.0 0.32 0.0 0.0 0.0 0.0 0.0 0.0 0.64 0.0 0.0 0.0 0.32 0.0 1.29 1.93 0.0 0.96 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.778 0.0 0.0 3.756 61.0 278.0 1.0 )

    这里的命令行:将每行的字符串转换为相应的一个double数组,这样全部的数据将可以用一个二维的数组 RDD[Array[Double]]来表示了
    (2)collecct
    ?
    1
    2
    3
    4
    5
    6
    7
    8
    9
    scala> val rdd = sc.parallelize(List( 1 , 2 , 3 , 4 , 5 ))
    rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[ 9 ] at parallelize at : 12
     
    scala> val mapRdd = rdd.map( 2 *_)
    mapRdd: org.apache.spark.rdd.RDD[Int] = MappedRDD[ 10 ] at map at : 14
     
    scala> mapRdd.collect
    14 / 06 / 28  12 : 24 : 45  INFO SparkContext: Job finished: collect at : 17 , took  1.789249751  s
    res4: Array[Int] = Array( 2 4 6 8 10 )

     (3)filter
    ?
    1
    2
    3
    4
    5
    6
    scala> val filterRdd = sc.parallelize(List( 1 , 2 , 3 , 4 , 5 )).map(_* 2 ).filter(_> 5 )
    filterRdd: org.apache.spark.rdd.RDD[Int] = FilteredRDD[ 13 ] at filter at : 12
     
    scala> filterRdd.collect
    14 / 06 / 28  12 : 27 : 45  INFO SparkContext: Job finished: collect at : 15 , took  0.056086178  s
    res5: Array[Int] = Array( 6 8 10 )

     (4)flatMap
    ?
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    scala> val rdd = sc.textFile( "/home/scipio/README.md" )
    14 / 06 / 28  12 : 31 : 55  INFO MemoryStore: ensureFreeSpace( 32880 ) called with curMem= 98616 , maxMem= 311387750
    14 / 06 / 28  12 : 31 : 55  INFO MemoryStore: Block broadcast_3 stored as values to memory (estimated size  32.1  KB, free  296.8  MB)
    rdd: org.apache.spark.rdd.RDD[String] = MappedRDD[ 15 ] at textFile at : 12
     
    scala> rdd.count
    14 / 06 / 28  12 : 32 : 50  INFO SparkContext: Job finished: count at : 15 , took  0.341167662  s
    res6: Long =  127
     
    scala> rdd.cache
    res7: rdd.type = MappedRDD[ 15 ] at textFile at : 12
     
    scala> rdd.count
    14 / 06 / 28  12 : 33 : 00  INFO SparkContext: Job finished: count at : 15 , took  0.32015745  s
    res8: Long =  127
     
    scala> val wordCount = rdd.flatMap(_.split( ' ' )).map(x=>(x, 1 )).reduceByKey(_+_)
    wordCount: org.apache.spark.rdd.RDD[(String, Int)] = MapPartitionsRDD[ 20 ] at reduceByKey at : 14
     
    scala> wordCount.collect
     
    res9: Array[(String, Int)] = Array((means, 1 ), (under, 2 ), ( this , 4 ), (Because, 1 ), (Python, 2 ), (agree, 1 ), (cluster., 1 ), (its, 1 ), (YARN,, 3 ), (have, 2 ), (pre-built, 1 ), (MRv1,, 1 ), (locally., 1 ), (locally, 2 ), (changed, 1 ), (several, 1 ), (only, 1 ), (sc.parallelize( 1 , 1 ), (This, 2 ), (basic, 1 ), (first, 1 ), (requests, 1 ), (documentation, 1 ), (Configuration, 1 ), (MapReduce, 2 ), (without, 1 ), (setting, 1 ), ( "yarn-client" , 1 ), ([params]`., 1 ), (any, 2 ), (application, 1 ), (prefer, 1 ), (SparkPi, 2 ), ( //spark.apache.org/>,1), (version,3), (file,1), (documentation,,1), (test,1), (MASTER,1), (entry,1), (example,3), (are,2), (systems.,1), (params,1), (scala>,1), (hadoop-client,1), (refer,1), (configure,1), (Interactive,2), (artifact,1), (can,7), (file's,1), (build,3), (when,2), (2.0.X,,1), (Apac...
     
    scala> wordCount.saveAsTextFile( "/home/scipio/wordCountResult.txt" )

     (5)union
    ?
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    scala> val rdd = sc.parallelize(List(( 'a' , 1 ),( 'a' , 2 )))
    rdd: org.apache.spark.rdd.RDD[(Char, Int)] = ParallelCollectionRDD[ 10 ] at parallelize at : 12
     
    scala> val rdd2 = sc.parallelize(List(( 'b' , 1 ),( 'b' , 2 )))
    rdd2: org.apache.spark.rdd.RDD[(Char, Int)] = ParallelCollectionRDD[ 11 ] at parallelize at : 12
     
    scala> rdd union rdd2
    res3: org.apache.spark.rdd.RDD[(Char, Int)] = UnionRDD[ 12 ] at union at : 17
     
    scala> res3.collect
     
    res4: Array[(Char, Int)] = Array((a, 1 ), (a, 2 ), (b, 1 ), (b, 2 ))

     (6) join
    ?
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    scala> val rdd1 = sc.parallelize(List(( 'a' , 1 ),( 'a' , 2 ),( 'b' , 3 ),( 'b' , 4 )))
    rdd1: org.apache.spark.rdd.RDD[(Char, Int)] = ParallelCollectionRDD[ 10 ] at parallelize at : 12
     
    scala> val rdd2 = sc.parallelize(List(( 'a' , 5 ),( 'a' , 6 ),( 'b' , 7 ),( 'b' , 8 )))
    rdd2: org.apache.spark.rdd.RDD[(Char, Int)] = ParallelCollectionRDD[ 11 ] at parallelize at : 12
     
    scala> rdd1 join rdd2
    res1: org.apache.spark.rdd.RDD[(Char, (Int, Int))] = FlatMappedValuesRDD[ 14 ] at join at : 17
     
    res1.collect
     
    res2: Array[(Char, (Int, Int))] = Array((b,( 3 , 7 )), (b,( 3 , 8 )), (b,( 4 , 7 )), (b,( 4 , 8 )), (a,( 1 , 5 )), (a,( 1 , 6 )), (a,( 2 , 5 )), (a,( 2 , 6 )))

     (7)lookup
    ?
    1
    2
    3
    val rdd1 = sc.parallelize(List(( 'a' , 1 ),( 'a' , 2 ),( 'b' , 3 ),( 'b' , 4 )))
    rdd1.lookup( 'a' )
    res3: Seq[Int] = WrappedArray( 1 2 )

     (8)groupByKey
    ?
    1
    2
    3
    4
    5
    val wc = sc.textFile( "/home/scipio/README.md" ).flatMap(_.split( ' ' )).map((_, 1 )).groupByKey
    wc.collect
     
    14 / 06 / 28  12 : 56 : 14  INFO SparkContext: Job finished: collect at : 15 , took  2.933392093  s
    res0: Array[(String, Iterable[Int])] = Array((means,ArrayBuffer( 1 )), (under,ArrayBuffer( 1 1 )), ( this ,ArrayBuffer( 1 1 1 1 )), (Because,ArrayBuffer( 1 )), (Python,ArrayBuffer( 1 1 )), (agree,ArrayBuffer( 1 )), (cluster.,ArrayBuffer( 1 )), (its,ArrayBuffer( 1 )), (YARN,,ArrayBuffer( 1 1 1 )), (have,ArrayBuffer( 1 1 )), (pre-built,ArrayBuffer( 1 )), (MRv1,,ArrayBuffer( 1 )), (locally.,ArrayBuffer( 1 )), (locally,ArrayBuffer( 1 1 )), (changed,ArrayBuffer( 1 )), (sc.parallelize( 1 ,ArrayBuffer( 1 )), (only,ArrayBuffer( 1 )), (several,ArrayBuffer( 1 )), (This,ArrayBuffer( 1 1 )), (basic,ArrayBuffer( 1 )), (first,ArrayBuffer( 1 )), (documentation,ArrayBuffer( 1 )), (Configuration,ArrayBuffer( 1 )), (MapReduce,ArrayBuffer( 1 1 )), (requests,ArrayBuffer( 1 )), (without,ArrayBuffer( 1 )), ( "yarn-client" ,ArrayBuffer( 1 )), ([params]`.,Ar...

     (9)sortByKey
    ?
    1
    2
    3
    4
    val rdd = sc.textFile( "/home/scipio/README.md" )
    val wordcount = rdd.flatMap(_.split( ' ' )).map((_, 1 )).reduceByKey(_+_)
    val wcsort = wordcount.map(x => (x._2,x._1)).sortByKey( false ).map(x => (x._2,x._1))
    wcsort.saveAsTextFile( "/home/scipio/sort.txt" )

     升序的话,sortByKey(true)

    你可能感兴趣的:(大数据系统)