RDD算子——转换操作（Transformations ）【map、flatMap、reduceByKey】

一、map

• map 算子

  # spark-shell
  sc.parallelize(Seq(1, 2, 3))
  	.map( num => num * 10)
  	.collect()
  
  # IDEA
  @Test
  def mapTest(): Unit = {
    // 1. 创建RDD
    val rdd1 = sc.parallelize(Seq(1, 2, 3))
    // 2. 执行 map 操作
    val rdd2 = rdd1.map(item => item * 10)
    // 3. 得到结果
    val result:Array[Int] = rdd2.collect()
    result.foreach(item => println(item))
  	// 关闭sc
  	sc.stop()
  }
  

  
  • 作用
    • 把 RDD 中的数据 一对一的转换为另一种形式
  • 调用
    • def map[U: ClassTag] (f: T ⇒ U) : RDD[U]
  • 参数
    • f → map 算子是 原 RDD → 新 RDD 的过程， 这个函数的参数是原 RDD 的数据， 返回值是经过函数转换的新 RDD 的数据
  • 注意点

    • map 是一对一, 如果函数是 String → Array[String]则新的 RDD 中每条数据就是一个数组

二、flatMap

• flatMap算子

  # spark-shell
  sc.parallelize(Seq("Hello lily", "Hello lucy", "Hello tim"))
  	.flatMap( line => line.split(" "))
  	.collect()
  
  # IDEA
  @Test
  def flatMapTest(): Unit = {
    // 1. 创建RDD
    val rdd1 = sc.parallelize(Seq("Hello lily", "Hello lucy", "Hello tim"))
    // 2. 执行 flatMap 操作
    val rdd2 = rdd1.flatMap( line => line.split(" "))
    // 3. 得到结果
    val result:Array[String] = rdd2.collect()
    result.foreach(line => (println(line)))
  	// 关闭sc
  	sc.stop()
  }
  

  
  • 作用
    • flatMap 算子和 map 算子类似, 但是 FlatMap 是一对多
  • 调用
    • def flatMap[U: ClassTag](f: T ⇒ List[U]): RDD[U]
  • 参数
    • f → 参数是原 RDD 数据, 返回值是经过函数转换的新 RDD 的数据, 需要注意的是返回值是一个集合, 集合中的数据会被展平后再放入新的 RDD
  • 注意点
    • flatMap 其实是两个操作, 是 map + flatten, 也就是先转换, 后把转换而来的 List 展开
    • flatMap 也是转换，他可以把数组和集合展开，并且flatMap中的函数一般也是集合或者数组

三、reduceByKey

• ReduceByKey算子

  # spark-shell
  sc.parallelize(Seq(("a",1), ("a", 1), ("b", 1)))
  	.reduceByKey( ( cur, agg) => cur + agg)
  	.collect()
  
  # IDEA
  @Test
  def reduceByKeyTest(): Unit = {
    // 1. 创建RDD
    val rdd1 = sc.parallelize(Seq("Hello lily", "Hello lucy", "Hello tim"))
    // 2. 处理数据
    val rdd2 = rdd1.flatMap( item => item.split(" "))
      .map(item => (item, 1))
      .reduceByKey( (cur, agg) => cur + agg)
    // 3. 得到结果
    val result:Array[(String, Int)] = rdd2.collect()
    result.foreach(item => (println(item)))
    // 4. 关闭sc
    sc.stop()
  }
  

  
  • 作用
    • 首先按照 Key 分组, 接下来把整组的 Value 计算出一个聚合值, 这个操作非常类似于 MapReduce 中的 Reduce
  • 调用
    • def reduceByKey(func: (V, V) ⇒ V): RDD[(K, V)]
  • 参数
    • func → 执行数据处理的函数, 传入两个参数, 一个是当前值, 一个是局部汇总, 这个函数需要有一个输出, 输出就是这个 Key 的汇总结果
  • 注意点
    • ReduceByKey 只能作用于 Key-Value 型数据, Key-Value 型数据在当前语境中特指 Tuple
    • ReduceByKey 是一个需要 Shuffled 的操作
    • 和其它的 Shuffled 相比, ReduceByKey是高效的, 因为类似 MapReduce 的, 在 Map 端有一个 Cominer, 这样 I/O 的数据便会减少
    • reduceByKey第一步是按照Key进行分组，然后对每一组进行聚合得到结果