Spark基础学习笔记17:RDD算子
【摘要】
文章目录
零、本讲学习目标一、RDD算子二、准备工作1、准备本地系统文件2、准备HDFS系统文件
(二)启动Spark Shell1、启动HDFS服务2、启动Spark服务3、启动Spark...
零、本讲学习目标
- 掌握转化算子的使用
- 掌握行动算子的使用
一、RDD算子
- RDD被创建后是只读的,不允许修改。Spark提供了丰富的用于操作RDD的方法,这些方法被称为算子。一个创建完成的RDD只支持两种算子:转化(Transformation)算子和行动(Action)算子。
二、准备工作
1、准备本地系统文件
- 在
/home
目录里创建words.txt
2、准备HDFS系统文件
- 将
words.txt
上传到HDFS系统的/park
目录里
- 说明:
/park
是在上一讲我们创建的目录
(二)启动Spark Shell
1、启动HDFS服务
- 执行命令:
start-dfs.sh
2、启动Spark服务
- 进入Spark的
sbin
目录执行命令:./start-all.sh
3、启动Spark Shell
- 执行名命令:
spark-shell --master spark://master:7077
三、转化算子
- 转化算子负责对RDD中的数据进行计算并转化为新的RDD。Spark中的所有转化算子都是惰性的,因为它们不会立即计算结果,而只是记住对某个RDD的具体操作过程,直到遇到行动算子才会与行动算子一起执行。
(一)映射算子 - map()
1、映射算子功能
- map()是一种转化算子,它接收一个函数作为参数,并把这个函数应用于RDD的每个元素,最后将函数的返回结果作为结果RDD中对应元素的值。
2、映射算子案例
- 预备工作:创建一个RDD - rdd1
任务1、将rdd1每个元素翻倍得到rdd2
- 对rdd1应用map()算子,将rdd1中的每个元素平方并返回一个名为rdd2的新RDD
- 上述代码中,向算子map()传入了一个函数
x = > x * 2
。其中,x
为函数的参数名称,也可以使用其他字符,例如a => a * 2
。Spark会将RDD中的每个元素传入该函数的参数中。 - rdd1和rdd2中实际上没有任何数据,因为
parallelize()
和map()
都为转化算子,调用转化算子不会立即计算结果。若需要查看计算结果,则可使用行动算子collect()
。 - 执行rdd2.collect()进行计算,并将结果以数组的形式收集到当前Driver。因为RDD的元素为分布式的,数据可能分布在不同的节点上。
- 其实,向map()算子传入函数的参数可以用下划线
_
来代替,并且可以简化成_ * 2
把 x => func(x) 简化为 func _ 或 func 的过程称为
eta-conversion
把 func 或 func _ 展开为 x => func(x) 的过程为eta-expansion
- 上述使用map()算子的运行过程如下图所示
任务2、将rdd1每个元素平方得到rdd2
- 方法一、采用普通函数作为参数传给map()算子
- 方法二、采用下划线表达式作为参数传给map()算子
- 刚才翻倍用的是
map(_ * 2)
,很自然地想到平方应该是map(_ * _)
- 报错,
(_ * _)
经过eta-expansion
变成普通函数,不是我们预期的x => x * x
,而是(x$1, x$2) => (x$1 * x$2)
,不是一元函数,而是二元函数,系统立马就蒙逼了,不晓得该怎么取两个参数来进行乘法运算。 - 难道就不能用下划线参数了吗?当然可以,但是必须保证下划线表达式里下划线只出现
1
次。引入幂函数scala.math.pow
就可以搞定。
- 但是有点瑕疵,rdd2的元素变成了双精度实数,得转化成整数
(二)过滤算子 - filter()
1、过滤算子功能
- 通过函数func对源RDD的每个元素进行过滤,并返回一个新的RDD。
2、过滤算子案例
任务1、过滤出偶数
任务2、过滤出文件中包含spark
的行
- 执行命令:
val lines= sc.textFile("hdfs://master:9000/park/words.txt")
,读取文件/park/words.txt
生成RDD -lines
- 执行命令:
val sparkLines = lines.filter(_.contains("spark"))
,过滤包含spark
的行生成RDD -sparkLines
- 执行命令:
sparkLines.collect()
,查看sparkLines
内容
(三)扁平映射算子 - flatMap()
1、扁平映射算子功能
- flatMap()算子与map()算子类似,但是每个传入给函数func的RDD元素会返回0到多个元素,最终会将返回的所有元素合并到一个RDD。
2、扁平映射算子案例
任务:统计文件中单词个数
- 读取文件,生成RDD -
rdd1
- 按空格拆分,做扁平映射,生成新RDD -
rdd2
- 大家可以看到,经过扁平映射,生成的RDD是一个单词构成一个元素,原先的RDD是五行单词构成五个元素
- 执行命令:
rdd2.count()
,即可知单词个数
3、扁平映射算子的运行过程
- rdd1的
5
个元素经过扁平映射变成了rdd2的20
个元素
文章来源: howard2005.blog.csdn.net,作者:howard2005,版权归原作者所有,如需转载,请联系作者。
原文链接:howard2005.blog.csdn.net/article/details/123449752
【版权声明】本文为华为云社区用户转载文章,如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱:
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论(0)