Spark RDD基础编程

1.RDD创建

1.1 从集合（内存）中创建 RDD

从集合中创建RDD，Spark主要提供了两个方法：parallelize和makeRDD

从底层代码实现来讲，makeRDD方法其实就是parallelize方法

// 创建 Spark 运行配置对象
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
// 创建 Spark 上下文环境对象（连接对象）
val sc = new SparkContext(sparkConf)
//通过内存创建RDD
val rdd1 = sc.parallelize(List(1, 2, 3, 4))
val rdd2 = sc.makeRDD(List(1, 2, 3, 4))

rdd1.collect().foreach(println)
rdd2.collect().foreach(println)

1.2 从外部存储（文件）创建 RDD

由外部存储系统的数据集创建RDD包括：本地的文件系统，所有Hadoop支持的数据集

比如HDFS、HBase等。

// 创建 Spark 运行配置对象
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
// 创建 Spark 上下文环境对象（连接对象）
val sc = new SparkContext(sparkConf)
//通过外部文件创建RDD
var rdd3: RDD[String] = sc.textFile("input")
rdd3.collect().foreach(println)
sc.stop()

1.3 从其他 RDD 创建

主要是通过一个RDD 运算完后，再产生新的 RDD

1.4 直接创建 RDD new

使用new 的方式直接构造 RDD

2.RDD 并行度与分区

Spark可以将一个作业切分多个任务后，发送给Executor节点并行计算，而能够并行计算的任务数量我们称之为并行度。– 并行执行的任务数量，并不是指的切分任务的数量

// 创建 Spark 运行配置对象
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
// 创建 Spark 上下文环境对象（连接对象）
val sc = new SparkContext(sparkConf)
//通过外部文件创建RDD
var rdd3: RDD[String] = sc.textFile("input",4)
rdd3.collect().foreach(println)
sc.stop()

读取内存数据时，数据可以按照并行度的设定进行数据的分区操作；读取文件数据时，数据是按照Hadoop文件读取的规则进行切片分区，而切片规则和数据读取的规则有些差异。

3.RDD 转换算子

RDD根据数据处理方式的不同将算子整体上分为Value类型、双Value类型和Key-Value类型

3.1 Value类型

3.1.1 map

将处理的数据逐条进行映射转换，这里的转换可以是类型的转换，也可以是值的转换。

val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("TranstionRDD01")
val sc: SparkContext = new SparkContext(sparkConf)
val sourceRDD: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4))
val doubleRDD: RDD[Int] = sourceRDD.map(line => line * 2)
val StringRDD: RDD[String] = sourceRDD.map(line => line.toString)
doubleRDD.collect().foreach(println)
StringRDD.collect().foreach(println)
sc.stop()

3.1.2 map Partitions

将待处理的数据以分区为单位发送到计算节点进行处理，这里的处理是指可以进行任意的处理，哪怕是过滤数据。

val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("TranstionRDD01")
val sc: SparkContext = new SparkContext(sparkConf)
val sourceRDD: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4))
val doubleRDD: RDD[Int] = sourceRDD.mapPartitions(datas => datas.filter(_>=2))
doubleRDD.collect().foreach(println)
sc.stop()

3.1.3 map和mapPartitions的区别

• 数据处理角度
  • Map算子是分区内一个数据一个数据的执行，类似于串行操作。而mapPartitions算子是以分区为单位进行批处理操作。
• 功能的角度
  • Map算子主要目的将数据源中的数据进行转换和改变。但是不会减少或增多数据。MapPartitions算子需要传递一个迭代器，返回一个迭代器，没有要求的元素的个数保持不变，所以可以增加或减少数据
• 性能的角度
  • Map算子因为类似于串行操作，所以性能比较低，而是mapPartitions算子类似于批处理，所以性能较高。但是mapPartitions算子会长时间占用内存，那么这样会导致内存可能不够用，出现内存溢出的错误。所以在内存有限的情况下，不推荐使用。

3.1.4 mapPartitionsWithIndex

将待处理的数据以分区为单位发送到计算节点进行处理，这里的处理是指可以进行任意的处理，哪怕是过滤数据，在处理时同时可以获取当前分区索引。

val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("TranstionRDD01")
val sc: SparkContext = new SparkContext(sparkConf)
val sourceRDD: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4))
 
val mapPartitionRDD: RDD[(Int, Int)] = sourceRDD.mapPartitionsWithIndex(
  (index, datas) => {
    datas.map(line => (index, line)).filter(_._1>5)
  }
)
mapPartitionRDD.collect().foreach(println)
sc.stop()

3.1.5 flatMap

将处理的数据进行扁平化后再进行映射处理，所以算子也称之为扁平映射

val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("TranstionRDD01")
val sc: SparkContext = new SparkContext(sparkConf)
val sourceRDD= sc.makeRDD(List(List(1,2),List(3,4)),1)
val flatmapRDD = sourceRDD.flatMap(list => list)
flatmapRDD.collect().foreach(println)
sc.stop()

将List(List(1,2),3,List(4,5))进行扁平化操作

val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("TranstionRDD01")
val sc: SparkContext = new SparkContext(sparkConf)
val sourceRDD= sc.makeRDD(List(List(1,2),3,List(4,5)),1)
val flatmapRDD = sourceRDD.flatMap(list =>
  list match {
    case list:List[_] => list
    case dat => List(dat)
  }
)
flatmapRDD.collect().foreach(println)
sc.stop()

3.1.6 glom

将同一个分区的数据直接转换为相同类型的内存数组进行处理，分区不变

val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("TranstionRDD01")
val sc: SparkContext = new SparkContext(sparkConf)
val sourceRDD= sc.makeRDD(List(1,2,3,4,5),1)
val glomRDD: RDD[Array[Int]] = sourceRDD.glom()
glomRDD.collect().foreach(data=>println(data.mkString(",")))
sc.stop()

3.1.7 groupBy

将数据根据指定的规则进行分组, 分区默认不变，但是数据会被打乱重新组合，我们将这样的操作称之为shuffle。极限情况下，数据可能被分在同一个分区中

val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("TranstionRDD01")
val sc: SparkContext = new SparkContext(sparkConf)
val sourceRDD= sc.makeRDD(List("Hello", "hive", "hbase", "Hadoop"))
val mapRDD: RDD[(String, String)] = sourceRDD.map(line => (line.take(1), line))
val groupRDD: RDD[(String, Iterable[(String, String)])] = mapRDD.groupBy(_._1)
groupRDD.collect().foreach(println)
sc.stop()

3.1.8 filter

将数据根据指定的规则进行筛选过滤，符合规则的数据保留，不符合规则的数据丢弃。
当数据进行筛选过滤后，分区不变，但是分区内的数据可能不均衡，生产环境下，可能会出现数据倾斜。

val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("TranstionRDD01")
val sc: SparkContext = new SparkContext(sparkConf)
val sourceRDD= sc.makeRDD(List(1,2,3,4),1)
val filterRDD = sourceRDD.filter(_%2 == 0)
filterRDD.collect().foreach(println)
sc.stop()

3.1.9 sample

根据指定的规则从数据集中抽取数据

val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("TranstionRDD01")
val sc: SparkContext = new SparkContext(sparkConf)
val dataRDD = sc.makeRDD(List(
  1,2,3,4
))
  // 抽取数据不放回（伯努利算法）
  // 伯努利算法：又叫 0 、 1 分布。例如扔硬币，要么正面，要么反面。
  // 具体实现：根据种子和随机算法算出一个数和第二个参数设置几率比较，小于第二个参数要，大于不要
// 第一个参数：抽取的数据是否放回， false ：不放回
// 第二个参数：抽取的几率，范围在 [ 之间 ,0 ：全不取 1 ：全取
// 第三个参数：随机数种子
val dataRDD1 = dataRDD.sample(false, 0.5)
// 抽取数据放回（泊松算法）
// 第一个参数：抽取的数据是否放回， true ：放回 false ：不放回
// 第二个参数：重复数据的几率，范围大于等于 0. 表示每一个元素被期望抽取到的次数
// 第三个参数：随机数种子
val dataRDD2 = dataRDD.sample(true, 2)
dataRDD1.collect().foreach(println)
dataRDD2.collect().foreach(println)
sc.stop()

3.1.10 distinct

将数据集中重复的数据去重

val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("TranstionRDD01")
val sc: SparkContext = new SparkContext(sparkConf)
val dataRDD = sc.makeRDD(List(
  1,2,3,4,1,2,3,3,3
))
 
val dataRDD1 = dataRDD.distinct()
val dataRDD2 = dataRDD.distinct()
 
dataRDD1.collect().foreach(println)
dataRDD2.collect().foreach(println)
sc.stop()

3.1.11 coalesce

根据数据量缩减分区，用于大数据集过滤后，提高小数据集的执行效率
当spark程序中，存在过多的小任务的时候，可以通过coalesce方法，收缩合并分区，减少分区的个数，减小任务调度成本

val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("TranstionRDD01")
val sc: SparkContext = new SparkContext(sparkConf)
val dataRDD = sc.makeRDD(List(
  1,2,3,4,1,2,3,3,3
),6)
val dataRDD1 = dataRDD.coalesce(2).glom
dataRDD1.collect().foreach(data=>println(data.mkString(",")))
sc.stop()

3.1.12 repartition

该操作内部其实执行的是coalesce操作，参数shuffle的默认值为true。无论是将分区数多的RDD转换为分区数少的RDD，还是将分区数少的RDD转换为分区数多的RDD，repartition操作都可以完成，因为无论如何都会经shuffle过程。

val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("TranstionRDD01")
val sc: SparkContext = new SparkContext(sparkConf)
val dataRDD = sc.makeRDD(List(
  1,2,3,4,1,2,3,3,3
),6)
val dataRDD1 = dataRDD.repartition(3).glom()
dataRDD1.collect().foreach(data=>println(data.mkString(",")))
sc.stop()

3.1.13 sortBy

该操作用于排序数据。在排序之前，可以将数据通过f函数进行处理，之后按照f函数处理的结果进行排序，默认为升序排列。排序后新产生的RDD的分区数与原RDD的分区数一致。中间存在shuffle的过程

val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("TranstionRDD01")
val sc: SparkContext = new SparkContext(sparkConf)
val dataRDD = sc.makeRDD(List(
  1,2,3,4,1,2,3,3,3
),6)
val dataRDD1 = dataRDD.sortBy(num=>num,true,5).glom()
dataRDD1.collect().foreach(data=>println(data.mkString(",")))
sc.stop()

3.2 双Value类型

3.2.1 intersection

对源RDD和参数RDD求交集后返回一个新的RDD

// 创建 Spark 运行配置对象
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
// 创建 Spark 上下文环境对象（连接对象）
val sc = new SparkContext(sparkConf)
//通过外部文件创建RDD
val dataRDD1 = sc.makeRDD(List(1,2,3,4))
val dataRDD2 = sc.makeRDD(List(3,4,5,6))
val dataRDD = dataRDD1.intersection(dataRDD2)
dataRDD.collect().foreach(println)
sc.stop()

3.2.2 union

对源RDD和参数RDD求并集后返回一个新的RDD

// 创建 Spark 运行配置对象
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
// 创建 Spark 上下文环境对象（连接对象）
val sc = new SparkContext(sparkConf)
//通过外部文件创建RDD
val dataRDD1 = sc.makeRDD(List(1,2,3,4))
val dataRDD2 = sc.makeRDD(List(3,4,5,6))
val dataRDD = dataRDD1.union(dataRDD2)
dataRDD.collect().foreach(println)
sc.stop()

3.2.3 subtract

以一个RDD元素为主，去除两个RDD中重复元素，将其他元素保留下来。求差集

// 创建 Spark 运行配置对象
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
// 创建 Spark 上下文环境对象（连接对象）
val sc = new SparkContext(sparkConf)
//通过外部文件创建RDD
val dataRDD1 = sc.makeRDD(List(1,2,3,4))
val dataRDD2 = sc.makeRDD(List(3,4,5,6))
val dataRDD = dataRDD1.subtract(dataRDD2)
dataRDD.collect().foreach(println)
sc.stop()

3.2.4 zip

将两个RDD中的元素，以键值对的形式进行合并。其中，键值对中的Key为第1个RDD中的元素，Value为第2个RDD中的相同位置的元素。

// 创建 Spark 运行配置对象
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
// 创建 Spark 上下文环境对象（连接对象）
val sc = new SparkContext(sparkConf)
//通过外部文件创建RDD
val dataRDD1 = sc.makeRDD(List(1,2,3,4))
val dataRDD2 = sc.makeRDD(List(3,4,5,6))
val dataRDD = dataRDD1.zip(dataRDD2)
dataRDD.collect().foreach(println)
sc.stop()

3.3 Key-Value类型

3.3.1 partitionBy

将数据按照指定Partitioner重新进行分区。Spark默认的分区器是HashPartitioner

// 创建 Spark 运行配置对象
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
// 创建 Spark 上下文环境对象（连接对象）
val sc = new SparkContext(sparkConf)
//通过外部文件创建RDD
val rdd: RDD[(Int, String)] =
  sc.makeRDD(Array((1,"aaa"),(2,"bbb"),(3,"ccc")),3)
import org.apache.spark.HashPartitioner
val rdd2: RDD[(Int, String)] = rdd.partitionBy(new HashPartitioner(2))
rdd2.collect().foreach(println)
sc.stop()

3.3.2 reduceByKey

可以将数据按照相同的Key对Value进行聚合

// 创建 Spark 运行配置对象
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
// 创建 Spark 上下文环境对象（连接对象）
val sc = new SparkContext(sparkConf)
//通过外部文件创建RDD
val dataRDD1 = sc.makeRDD(List(("a",1),("b",2),("c",3),("a",1),("a",1)))
val dataRDD2 = dataRDD1.reduceByKey(_+_)
val dataRDD3 = dataRDD1.reduceByKey(_+_, 2)
dataRDD2.collect().foreach(println)
sc.stop()

3.3.3 groupByKey

将数据源的数据根据key对value进行分组

// 创建 Spark 运行配置对象
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
// 创建 Spark 上下文环境对象（连接对象）
val sc = new SparkContext(sparkConf)
//通过外部文件创建RDD
val dataRDD1 = sc.makeRDD(List(("a",1),("b",2),("c",3),("a",1),("a",1)))
val dataRDD2 = dataRDD1. groupByKey
val dataRDD3 = dataRDD1. groupByKey(2)
val dataRDD4 = dataRDD1. groupByKey(new HashPartitioner(2))
dataRDD3.collect().foreach(println)
sc.stop()

从shuffle的角度：reduceByKey和groupByKey都存在shuffle的操作，但是reduceByKey可以在shuffle前对分区内相同key的数据进行预聚合（combine）功能，这样会减少落盘的数据量，而groupByKey只是进行分组，不存在数据量减少的问题，reduceByKey性能比较高。

从功能的角度：reduceByKey其实包含分组和聚合的功能。GroupByKey只能分组，不能聚合，所以在分组聚合的场合下，推荐使用reduceByKey，如果仅仅是分组而不需要聚合。那么还是只能使用groupByKey。

3.3.4 aggregateByKey

将数据根据不同的规则进行分区内计算和分区间计算

// 创建 Spark 运行配置对象
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
// 创建 Spark 上下文环境对象（连接对象）
val sc = new SparkContext(sparkConf)
//通过外部文件创建RDD
val dataRDD1 = sc.makeRDD(List(("a",1),("b",2),("c",3),("a",1),("a",1)))
val dataRDD2 = dataRDD1. aggregateByKey(0)(_+_ ,_+_)
dataRDD2.collect().foreach(println)
sc.stop()

3.3.5 foldByKey

当分区内计算规则和分区间计算规则相同时，aggregateByKey就可以简化为foldByKey

// 创建 Spark 运行配置对象
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
// 创建 Spark 上下文环境对象（连接对象）
val sc = new SparkContext(sparkConf)
//通过外部文件创建RDD
val dataRDD1 = sc.makeRDD(List(("a",1),("b",2),("c",3),("a",1),("a",1)))
val dataRDD2 = dataRDD1. foldByKey(0)(_+_)
dataRDD2.collect().foreach(println)
sc.stop()

3.3.6 combineByKey

最通用的对key-value型rdd进行聚集操作的聚集函数（aggregation function）。类似于aggregate()，combineByKey()允许用户返回值的类型与输入不一致。

// 创建 Spark 运行配置对象
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
// 创建 Spark 上下文环境对象（连接对象）
val sc = new SparkContext(sparkConf)
//通过外部文件创建RDD
val list: List[(String, Int)] = List(("a", 88), ("b", 95), ("a", 91), ("b", 93),
  ("a", 95), ("b",98))
val input: RDD[(String, Int)] = sc.makeRDD(list, 2)
 
val combineRdd: RDD[(String, (Int, Int))] = input.combineByKey(
(_,1),
  (acc: (Int, Int), v) => (acc._1 + v, acc._2 + 1),
    (acc1: (Int, Int), acc2: (Int, Int)) => (acc1._1 + acc2._1, acc1._2 + acc2._2)
)
combineRdd.collect().foreach(println)
sc.stop()

3.3.7 reduceByKey、foldByKey、aggregateByKey、combineByKey的区别？

1. reduceByKey: 相同key的第一个数据不进行任何计算，分区内和分区间计算规则相同
2. FoldByKey: 相同key的第一个数据和初始值进行分区内计算，分区内和分区间计算规则相同
3. AggregateByKey：相同key的第一个数据和初始值进行分区内计算，分区内和分区间计算规则可以不相同
4. CombineByKey:当计算时，发现数据结构不满足要求时，可以让第一个数据转换结构。分区内和分区间计算规则不相同。

3.3.8 sortByKey

在一个(K,V)的RDD上调用，K必须实现Ordered接口(特质)，返回一个按照key进行排序的

    // 创建 Spark 运行配置对象
    val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
    // 创建 Spark 上下文环境对象（连接对象）
    val sc = new SparkContext(sparkConf)
    //通过外部文件创建RDD
    val dataRDD1 = sc.makeRDD(List(("a",1),("b",2),("c",3)))
    val sortRDD1: RDD[(String, Int)] = dataRDD1.sortByKey(true)
//    val sortRDD1: RDD[(String, Int)] = dataRDD1.sortByKey(false)
    sortRDD1.collect().foreach(println)
    sc.stop()

3.3.9 join

在类型为(K,V)和(K,W)的RDD上调用，返回一个相同key对应的所有元素连接在一起的

// 创建 Spark 运行配置对象
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
// 创建 Spark 上下文环境对象（连接对象）
val sc = new SparkContext(sparkConf)
//通过外部文件创建RDD
val rdd: RDD[(Int, String)] = sc.makeRDD(Array((1, "a"), (2, "b"), (3, "c")))
val rdd1: RDD[(Int, Int)] = sc.makeRDD(Array((1, 4), (2, 5), (3, 6)))
rdd.join(rdd1).collect().foreach(println)
sc.stop()

3.3.10 leftOuterJoin

类似于SQL语句的左外连接

// 创建 Spark 运行配置对象
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
// 创建 Spark 上下文环境对象（连接对象）
val sc = new SparkContext(sparkConf)
//通过外部文件创建RDD
val dataRDD1 = sc.makeRDD(List(("a",1),("b",2),("c",3),("d",4)))
val dataRDD2 = sc.makeRDD(List(("a",1),("b",2),("c",3)))
val rdd: RDD[(String, (Int, Option[Int]))] = dataRDD1.leftOuterJoin(dataRDD2)
rdd.collect().foreach(println)
sc.stop()

3.3.11 cogroup

在类型为(K,V)和(K,W)的RDD上调用，返回一个(K,(Iterable,Iterable))类型的RDD

val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
// 创建 Spark 上下文环境对象（连接对象）
val sc = new SparkContext(sparkConf)
//通过外部文件创建RDD
val dataRDD1 = sc.makeRDD(List(("a",1),("a",2),("b",4)))
val dataRDD2 = sc.makeRDD(List(("a",1),("c",2),("c",3)))
val value: RDD[( String, (Iterable[Int], Iterable[Int]))] =
  dataRDD1.cogroup(dataRDD2)
value.collect().foreach(println)
sc.stop()

4.RDD 行动算子

4.1 reduce

聚集RDD中的所有元素，先聚合分区内数据，再聚合分区间数据

// 创建 Spark 运行配置对象
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
// 创建 Spark 上下文环境对象（连接对象）
val sc = new SparkContext(sparkConf)
//通过外部文件创建RDD
val rdd: RDD[Int] = sc.makeRDD(List(1,2,3,4))
// 聚合数据
val reduceResult: Int = rdd.reduce(_+_)
println(reduceResult)
sc.stop()

4.2 collect

在驱动程序中，以数组Array的形式返回数据集的所有元素

// 创建 Spark 运行配置对象
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
// 创建 Spark 上下文环境对象（连接对象）
val sc = new SparkContext(sparkConf)
//通过外部文件创建RDD
val rdd: RDD[Int] = sc.makeRDD(List(1,2,3,4))
// 收集数据到 Driv er
rdd.collect().foreach(println)
sc.stop()

4.3 count

返回RDD中元素的个数

// 创建 Spark 运行配置对象
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
// 创建 Spark 上下文环境对象（连接对象）
val sc = new SparkContext(sparkConf)
//通过外部文件创建RDD
val rdd: RDD[Int] = sc.makeRDD(List(1,2,3,4))
// 收集数据到 Driv er
val countResult: Long = rdd.count()
println(countResult)
sc.stop()

4.4 first

返回RDD中的第一个元素

// 创建 Spark 运行配置对象
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
// 创建 Spark 上下文环境对象（连接对象）
val sc = new SparkContext(sparkConf)
//通过外部文件创建RDD
val rdd: RDD[Int] = sc.makeRDD(List(1,2,3,4))
val firstResult: Int = rdd.first()
println(firstResult)
sc.stop()

4.5 take

返回一个由RDD的前n个元素组成的数组

// 创建 Spark 运行配置对象
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
// 创建 Spark 上下文环境对象（连接对象）
val sc = new SparkContext(sparkConf)
//通过外部文件创建RDD
val rdd: RDD[Int] = sc.makeRDD(List(1,2,3,4))
val takeResult: Array[Int] = rdd.take(2)
println(takeResult.mkString(","))
sc.stop()

4.6 takeOrdered

返回该RDD排序后的前n个元素组成的数组

// 创建 Spark 运行配置对象
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
// 创建 Spark 上下文环境对象（连接对象）
val sc = new SparkContext(sparkConf)
//通过外部文件创建RDD
val rdd: RDD[Int] = sc.makeRDD(List(1,3,2,4))
// 返回 RDD 中元素的个数
val result: Array[Int] = rdd.takeOrdered(2)
println(result.mkString(","))
sc.stop()

4.7 aggregate

分区的数据通过初始值和分区内的数据进行聚合，然后再和初始值进行分区间的数据聚合

// 创建 Spark 运行配置对象
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
// 创建 Spark 上下文环境对象（连接对象）
val sc = new SparkContext(sparkConf)
//通过外部文件创建RDD
val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4), 8)
// 将该 RDD 所有元素相加得到结果
//val result: Int = rdd.aggregate(0)(_ + _, _ +_)
val result: Int = rdd.aggregate(10)(_ + _, _ + _)
println(result)
sc.stop()

4.8 fold

折叠操作，aggregate的简化版操作

// 创建 Spark 运行配置对象
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
// 创建 Spark 上下文环境对象（连接对象）
val sc = new SparkContext(sparkConf)
//通过外部文件创建RDD
val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4))
val foldResult: Int = rdd.fold(0)(_+_)
println(foldResult)
sc.stop()

4.9 countByKey

统计每种key的个数

// 创建 Spark 运行配置对象
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
// 创建 Spark 上下文环境对象（连接对象）
val sc = new SparkContext(sparkConf)
//通过外部文件创建RDD
val rdd: RDD[(Int, String)] = sc.makeRDD(List((1, "a"), (1, "a"), (1, "a"), (2,
  "b"), (3, "c"), (3, "b")))
// 统计每种 key 的个数
val result: collection.Map[Int, Long] = rdd.countByKey()
println(result.mkString(","))
sc.stop()

4.10 save 相关算子

4.10.1 函数签名

def saveAsTextFile(path: String): Unit
def saveAsObjectFile(path: String): Unit
def saveAsSequenceFile(
path: String,
codec: Option[Class[_ <: CompressionCodec]] = None): Unit

4.10.2 函数说明

将数据保存到不同格式的文件中

// 保存成 Text 文件
rdd.saveAsTextFile("output")
// 序列化成对象保存到文件
rdd. saveAsObjectFile("output1")
// 保存成 Sequencefile 文件
rdd.map((_,1)).saveAsSequenceFile("output2")

4.11 foreach

分布式遍历RDD中的每一个元素，调用指定函数

// 创建 Spark 运行配置对象
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("CreateRDD01")
// 创建 Spark 上下文环境对象（连接对象）
val sc = new SparkContext(sparkConf)
//通过外部文件创建RDD
val rdd: RDD[Int] = sc.makeRDD(List(1,2,3,4))
// 收集后打印
rdd.map(num=>num).collect().foreach(println)
println("****************")
// 分布式打印
rdd.foreach(println)
sc.stop()