弹性分布式数据集（Resilient Distributed Dataset，RDD）是 Spark 中的核心概念。简单的说，就是在Spark中创建一个RDD，然后通过RDD对数据进行各种各样的操作。
RDD创建
RDD的创建包括：
- 从集合中创建
- 从其他存储（比如hdfs、本地文件等）创建
- 从其他RDD创建
下面通过这几种方式来创建RDD，在创建RDD之前需要创建SparkContext，从下面的例子可以看出SparkContext需要一个conf，这个conf的master属性，在前面两张已经提过了。
从集合中创建有两个方法，parallelize以及makeRDD，makeRDD实际上调用的是parallelize方法，这两个方法都允许除了集合外，还可以再传递一个分区的参数。
从其他存储包括本地文件系统、HDFS、Cassandra、HBase、Amazon S3等，这里的文件可以用通配符，而不限定某一个文件，比如textFile("/my/directory/*.txt")，就是/my/directory下所有的txt文件。
object CreateRDD {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setAppName("CreateRDD").setMaster("local")
val sc = new SparkContext(conf)
// parallelize
val data = Array(1, 2, 3, 4, 5)
val rdd1: RDD[Int] = sc.parallelize(data)
println(rdd1.count)
val rdd2: RDD[Int] = sc.makeRDD(data)
// makeRDD
println(rdd2.count)
val rdd3: RDD[String] = sc.textFile("D:\\data\\test.txt")
// 从其他存储
println(rdd3.first)
// 从其他RDD
val rdd4: RDD[String] = rdd3.map(_ + "bbb")
println(rdd4.first)
// 关闭
sc.stop
}
}RDD的操作
RDD支持两种操作：transformations和action。
transformations从字面上理解，就是转换，可以说从一个数据集转换成另外一个数据集，这里需要注意的是，所有的transformations都是lazy的，也就是说他尽管执行了我们那行语句，比如map映射，他并不会进行map映射，只有触发到action的时候，才会进行计算。
action，会触发RDD的计算并把最终结果返回给驱动程序。
Transformations
map
map就是映射，也就是说，传入一个值，把他变成另外一个值。
比如下面的例子中，把1，2，3，4，5变成2，4，6，8，10，传入1把他变成2，传入2把他变成4。
object MapRDD {
def main(args: Array[String]): Unit = {
val sc = new SparkContext(new SparkConf().setAppName("MapRDD").setMaster("local"))
val data = Array(1, 2, 3, 4, 5)
val rdd1: RDD[Int] = sc.parallelize(data)
val mapRdd = rdd1.map(_ * 2)
mapRdd.foreach(println)
// 传入1把他变成2，传入2把他变成4
val mapRdd2 = rdd1.map(x => x * 2)
mapRdd2.foreach(println)
}
}filter
filter就是过滤，你给我一个值，我计算后返回true或false，如果返回的是false，则不会在新的集合中。
比如下面的例子中，偶数的才返回true，所以最后打印的是2，4
object FilterRDD {
def main(args: Array[String]): Unit = {
val sc = new SparkContext(new SparkConf().setAppName("FilterRDD").setMaster("local"))
val data = Array(1, 2, 3, 4, 5)
val rdd1: RDD[Int] = sc.parallelize(data)
val rdd2: RDD[Int] = rdd1.filter(x => x % 2 == 0)
rdd2.foreach(println)
}
}flatMap
flatMap就是压平，你给我一个值，我给你零个或者多个值。
比如下面的例子中，你给我"a b"，我通过split后，给你a和b两个值。
object FlatMapRDD {
def main(args: Array[String]): Unit = {
val sc = new SparkContext(new SparkConf().setAppName("FlatMapRDD ").setMaster("local"))
val data = Array("a b", "c d")
val rdd1: RDD[String] = sc.parallelize(data)
val rdd2: RDD[String] = rdd1.flatMap(_.split(" "))
rdd2.foreach(println)
}
}mapPartitions
类似于map，在RDD的每个分区(块)上单独运行。当因此运行在类型为T的RDD上，返回值，func的类型必须是Iterator
比如下面的例子中，你给我x，我返回的是x.map(_ * 2)。
object MapPartitionsRDD {
def main(args: Array[String]): Unit = {
val sc = new SparkContext(new SparkConf().setAppName("MapPartitionsRDD").setMaster("local"))
val data = Array(1, 2, 3, 4, 5)
val rdd1: RDD[Int] = sc.parallelize(data)
val mapRdd = rdd1.mapPartitions(x => x.map(_ * 2))
mapRdd.foreach(println)
}
}mapPartitionsWithIndex
类似于mapPartitions，为func提供了一个表示分区索引的整数值。
也就是说，我们可以通过传入的参数index，获取到对应的分区。
object MapPartitionsWithIndexRDD {
def main(args: Array[String]): Unit = {
val sc = new SparkContext(new SparkConf().setAppName("MapPartitionsWithIndexRDD").setMaster("local"))
val data = Array(1, 2, 3, 4, 5)
val rdd1: RDD[Int] = sc.parallelize(data, 2)
val mapRdd = rdd1.mapPartitionsWithIndex((index, x) => x.map(index + "," + _))
mapRdd.foreach(println)
}
}sample
sample就是采样，比如100个随机拿出30个。
sample参数有三个：
- withReplacement：元素可以被多次采样(采样时替换)
- fraction：样本的期望大小作为RDD大小的一部分。当withReplacement为true时，fraction为每个元素的期望次数，数值必须大于0；当withReplacement为false时，fraction为每个元素的期望概率，数值为0到1。
- seed：随机数生成器的种子
object SampleRDD {
def main(args: Array[String]): Unit = {
val sc = new SparkContext(new SparkConf().setAppName("SampleRDD").setMaster("local"))
val data = 1 to 100
val rdd1: RDD[Int] = sc.parallelize(data)
val rdd2: RDD[Int] = rdd1.sample(true, 0.5, 1)
println(rdd2.count)
}
}union
union就是并集，把两个rdd合并起来。
比如下面的例子中，把rdd1和rdd2合并了。
object UnionRDD {
def main(args: Array[String]): Unit = {
val sc = new SparkContext(new SparkConf().setAppName("UnionRDD").setMaster("local"))
val data1 = Array(1, 2, 3, 4, 5)
val data2 = Array(6, 7, 8, 9, 10)
val rdd1: RDD[Int] = sc.parallelize(data1)
val rdd2: RDD[Int] = sc.parallelize(data2)
val rdd3 = rdd1.union(rdd2)
rdd3.foreach(println)
}
}intersection
intersection就是交集，取2个rdd相同的部分。
比如下面的例子中，rdd1和rdd2的交集是3，4，5。
object IntersectionRDD {
def main(args: Array[String]): Unit = {
val sc = new SparkContext(new SparkConf().setAppName("IntersectionRDD").setMaster("local"))
val data1 = Array(1, 2, 3, 4, 5)
val data2 = Array(3, 4, 5, 6, 7)
val rdd1: RDD[Int] = sc.parallelize(data1)
val rdd2: RDD[Int] = sc.parallelize(data2)
val rdd3 = rdd1.intersection(rdd2)
rdd3.foreach(println)
}
}distinct
distinct就是过滤掉重复的部分。
比如下面的例子中，1，2，3有重复，最后打印的是1，2，3，4，5。
object DistinctRDD {
def main(args: Array[String]): Unit = {
val sc = new SparkContext(new SparkConf().setAppName("DistinctRDD").setMaster("local"))
val data = Array(1, 2, 3, 4, 5, 1, 2, 3)
val rdd1: RDD[Int] = sc.parallelize(data)
val rdd2: RDD[Int] = rdd1.distinct
rdd2.foreach(println)
}
}groupByKey
groupByKey就是通过key进行分组，如果没有key的话，需要keyBy方法指定key。
比如下面的例子中，把模2的结果当做key，并返回一个新的rdd。
在foreach中，可以看到参数包括key以及iterator。
object GroupByKeyRDD {
def main(args: Array[String]): Unit = {
val sc = new SparkContext(new SparkConf().setAppName("GroupByKeyRDD").setMaster("local"))
val data1 = Array(1, 2, 3, 4, 5)
val rdd1: RDD[Int] = sc.parallelize(data1)
val rdd2: RDD[(Int, Int)] = rdd1.keyBy(_ % 2)
rdd2.groupByKey().foreach(x => {
val iterator = x._2.iterator
var num = ""
while (iterator.hasNext) num = num + iterator.next + " "
println(x._1 + ":" + num)
})
val data2 = Array(("a", 1), ("b", 2), ("a", 3), ("b", 4), ("a", 5))
val rdd3: RDD[(String, Int)] = sc.parallelize(data2)
rdd3.groupByKey().foreach(x => {
val iterator = x._2.iterator
var num = ""
while (iterator.hasNext) num = num + iterator.next + " "
println(x._1 + ":" + num)
})
}
}reduceByKey
reduceByKey会兑相同的key进行计算。
比如下面的例子中，最后的结果是(a,9)、(b,6)
object ReduceByKeyRDD {
def main(args: Array[String]): Unit = {
val sc = new SparkContext(new SparkConf().setAppName("ReduceByKeyRDD").setMaster("local"))
val data = Array(("a", 1), ("b", 2), ("a", 3), ("b", 4), ("a", 5))
val rdd1: RDD[(String, Int)] = sc.parallelize(data)
val rdd2: RDD[(String, Int)] = rdd1.reduceByKey(_ + _)
rdd2.foreach(println)
}
}aggregateByKey
先按分区聚合，最后再进行聚合。
代码如下：
object AggregateByKeyRDD {
def main(args: Array[String]): Unit = {
val sc = new SparkContext(new SparkConf().setAppName("AggregateByKeyRDD").setMaster("local"))
val data = Array(("a", 1), ("a", 2), ("b", 3), ("b", 4), ("a", 5), ("a", 6), ("b", 7), ("b", 8))
val rdd1: RDD[(String, Int)] = sc.parallelize(data, 2)
val rdd2: RDD[(String, Int)] = rdd1.aggregateByKey(3)(math.max(_, _), _ + _)
rdd2.foreach(println)
}
}这个代码我们用下图来说明一下。
- 把集合进行分区
- 根据key进行分组
- 分组后进行max计算，也就是上面aggregateByKey后的第一个函数，这里的max有两个值，一个是aggregateByKey后面的3，另外一个就是key对应的value，比如a对应的值是1，2，这两个值和3 求最大值，得到的3，所以结果就是a,3。
- 两个分区计算后的结果进行相加，也就是上面aggregateByKey后的第二个函数。所以最后的结果就是(b,12)、(a,9)
sortByKey
sortByKey就是根据key进行排序，第一个参数如果是true就是升序，也是默认值，false就是降序。
object SortByKeyRDD {
def main(args: Array[String]): Unit = {
val sc = new SparkContext(new SparkConf().setAppName("SortByKeyRDD").setMaster("local"))
val data = Array(("a", 1), ("c", 3), ("d", 4), ("b", 2))
val rdd1: RDD[(String,Int)] = sc.parallelize(data)
val rdd2: RDD[(String, Int)] = rdd1.sortByKey()
rdd2.foreach(println)
}
}join
类似mysql的join
object JoinRDD {
def main(args: Array[String]): Unit = {
val sc = new SparkContext(new SparkConf().setAppName("JoinRDD").setMaster("local"))
val data1 = Array(("a", 1), ("c", 3), ("d", 4), ("b", 2))
val data2 = Array(("a", 11), ("d", 14), ("e", 25))
val rdd1: RDD[(String, Int)] = sc.parallelize(data1)
val rdd2: RDD[(String, Int)] = sc.parallelize(data2)
val rdd3: RDD[(String, (Int, Int))] = rdd1.join(rdd2)
val rdd4: RDD[(String, (Option[Int], Option[Int]))] = rdd1.fullOuterJoin(rdd2)
val rdd5: RDD[(String, (Int, Option[Int]))] = rdd1.leftOuterJoin(rdd2)
val rdd6: RDD[(String, (Option[Int], Int))] = rdd1.rightOuterJoin(rdd2)
// 相当于mysql的INNER JOIN
// 结果：
// (d,(4,14))
// (a,(1,11))
println("rdd3:join")
rdd3.foreach(println)
println("rdd4:fullOuterJoin")
// 返回左右数据集的全部数据，左右有一边不存在的数据以None填充
// 结果：
// (d,(Some(4),Some(14)))
// (e,(None,Some(25)))
// (a,(Some(1),Some(11)))
// (b,(Some(2),None))
// (c,(Some(3),None))
rdd4.foreach(println)
// 相当于mysql的LEFT JOIN
// 结果：
// (d,(4,Some(14)))
// (a,(1,Some(11)))
// (b,(2,None))
// (c,(3,None))
println("rdd5:leftOuterJoin")
rdd5.foreach(println)
// 相当于mysql的RIGHT JOIN
// 结果：
// (d,(Some(4),14))
// (e,(None,25))
// (a,(Some(1),11))
println("rdd6:rightOuterJoin")
rdd6.foreach(println)
}
}cogroup
对两个RDD中的KV元素，每个RDD中相同key中的元素分别聚合成一个集合。
比如下面的例子中，对rdd1的a，拿到的结果是(1, 3)，对于rdd2的a，拿到的结果是(23)，所以最终的结果就是(a,(CompactBuffer(1, 3),CompactBuffer(23)))。
object CogroupRDD {
def main(args: Array[String]): Unit = {
val sc = new SparkContext(new SparkConf().setAppName("CogroupRDD").setMaster("local"))
val data1 = Array(("a", 1), ("a", 3),("b", 2))
val data2 = Array(("b", 24), ("a", 23),("b", 22))
val rdd1: RDD[(String,Int)] = sc.parallelize(data1)
val rdd2: RDD[(String,Int)] = sc.parallelize(data2)
val rdd3: RDD[(String, (Iterable[Int], Iterable[Int]))] = rdd1.cogroup(rdd2)
// 结果：
// (a,(CompactBuffer(1, 3),CompactBuffer(23)))
// (b,(CompactBuffer(2),CompactBuffer(24, 22)))
rdd3.foreach(println)
}
}cartesian
就是笛卡尔。
object CartesianRDD {
def main(args: Array[String]): Unit = {
val sc = new SparkContext(new SparkConf().setAppName("CartesianRDD").setMaster("local"))
val data1 = Array(1, 2)
val data2 = Array(3, 4)
val rdd1: RDD[Int] = sc.parallelize(data1)
val rdd2: RDD[Int] = sc.parallelize(data2)
val rdd3: RDD[(Int, Int)] = rdd1.cartesian(rdd2)
// (1,3)
// (1,4)
// (2,3)
// (2,4)
rdd3.foreach(println)
}
}action
reduce
根据传入的函数，对每个值进行计算
object ReduceRDD {
def main(args: Array[String]): Unit = {
val sc = new SparkContext(new SparkConf().setAppName("ReduceRDD").setMaster("local"))
val data = Array(1, 2, 3, 4, 5)
val rdd1: RDD[Int] = sc.parallelize(data)
val result: Int = rdd1.reduce(_ + _)
println(result)
}
}collect
拿到rdd的集合给driver端，通常确认结果比较少的时候用。
object CollectRDD {
def main(args: Array[String]): Unit = {
val sc = new SparkContext(new SparkConf().setAppName("CollectRDD").setMaster("local"))
val data = Array(1, 2, 3, 4, 5)
val rdd1: RDD[Int] = sc.parallelize(data)
val result: Array[Int] = rdd1.collect()
println(result.mkString(","))
}
}count
拿到rdd的集合数量。
object CountRDD {
def main(args: Array[String]): Unit = {
val sc = new SparkContext(new SparkConf().setAppName("CountRDD").setMaster("local"))
val data = Array(1, 2, 3, 4, 5)
val rdd1: RDD[Int] = sc.parallelize(data)
val result: Long = rdd1.count()
println(result)
}
}first
拿到rdd集合的第一个元素。
object FirstRDD {
def main(args: Array[String]): Unit = {
val sc = new SparkContext(new SparkConf().setAppName("FirstRDD").setMaster("local"))
val data = Array(1, 2, 3, 4, 5)
val rdd1: RDD[Int] = sc.parallelize(data)
val result: Int = rdd1.first()
println(result)
}
}take
拿到前面n个元素，比如下面例子中，传的是3，所以拿到是1，2，3。
object TakeRDD {
def main(args: Array[String]): Unit = {
val sc = new SparkContext(new SparkConf().setAppName("TakeRDD").setMaster("local"))
val data = Array(1, 2, 3, 4, 5)
val rdd1: RDD[Int] = sc.parallelize(data)
val result: Array[Int] = rdd1.take(3)
println(result.mkString(","))
}
}takeSample
随机抽取n个元素。
object TakeSampleRDD {
def main(args: Array[String]): Unit = {
val sc = new SparkContext(new SparkConf().setAppName("TakeSampleRDD").setMaster("local"))
val data = 1 to 100
val rdd1: RDD[Int] = sc.parallelize(data)
val result: Array[Int] = rdd1.takeSample(true, 5, 1)
println(result.mkString(","))
}
}takeOrdered
排序后取N个元素。
object TakeOrderedRDD {
def main(args: Array[String]): Unit = {
val sc = new SparkContext(new SparkConf().setAppName("TakeOrderedRDD").setMaster("local"))
val data = 1 to 100
val rdd1: RDD[Int] = sc.parallelize(data)
val result: Array[Int] = rdd1.takeOrdered(5)
println(result.mkString(","))
}
}countByKey
计算每个key出现的次数
object CountByKeyRDD {
def main(args: Array[String]): Unit = {
val sc = new SparkContext(new SparkConf().setAppName("CountByKeyRDD").setMaster("local"))
val data = Array(("a", 1), ("b", 2), ("a", 3), ("b", 4), ("a", 5))
val rdd1: RDD[(String, Int)] = sc.parallelize(data)
val result: collection.Map[String, Long] = rdd1.countByKey()
result.foreach(item => println(item._1 + ":" + item._2))
}
}foreach
遍历，比如上面很多例子的打印。