好程序员大数据学习路线分享弹性分布式数据集RDD
好程序员大数据学习路线分享弹性分布式数据集RDD,RDD定义,RDD(Resilient Distributed Dataset)叫做分布式数据集,是Spark中最基本的数据抽象,它代表一个不可变(数据和元数据)、可分区、里面的元素可并行计算的集合。RDD的特点:自动容错,位置感知性调度和可伸缩性RDD的属性1.一组分片 即数据集的基本组成单位。对于RDD来说,每个分片都会被一个计算任务处理,并决定并行计算的粒度。用户可以在创建RDD时指定RDD的分片个数,如果没有指定,那么就会采用默认值。默认值就是程序所分配到的CPU Core的数目。2.一个计算每个分区的函数。Spark中RDD的计算是以分片为单位的,每个RDD都会实现compute函数以达到这个目的。compute函数会对迭代器进行复合,不需要保存每次计算的结果。3.RDD之间的依赖关系。RDD的每次转换都会生成一个新的RDD,所以RDD之间就会形成类似于流水线一样的前后依赖关系。容错处理: 在部分分区数据丢失时,Spark可以通过这个依赖关系重新计算丢失的分区数据,而不是对RDD的所有分区进行重新计算。4.一个Partitioner,分区器即RDD的分片函数。当前Spark中实现了两种类型的分片函数,一个是基于哈希的HashPartitioner,另外一个是基于范围的RangePartitioner。只有对于key-value的RDD,才会有Partitioner,非key-value的RDD的Parititioner的值是None。Partitioner函数不但决定了RDD本身的分片数量,也决定了parent RDD Shuffle输出时的分片数量。5.一个列表存储存取每个Partition的优先位置(preferred location)。-> 就近原则对于一个HDFS文件来说,这个列表保存的就是每个Partition所在的块的位置。按照“移动数据不如移动计算”的理念,Spark在进行任务调度的时候,会尽可能地将计算任务分配到其所要处理数据块的存储位置。RDD类型1.Transformation -> 记录计算过程(记录参数,计算方法)
转换 | 含义 |
map(func) | 返回一个新的RDD,该RDD由每一个输入元素经过func函数转换后组成 |
filter(func) | 返回一个新的RDD,该RDD由经过func函数计算后返回值为true的输入元素组成 |
flatMap(func) | 类似于map,但是每一个输入元素可以被映射为0或多个输出元素(所以func应该返回一个序列,而不是单一元素) |
mapPartitions(func) | 类似于map,但独立地在RDD的每一个分片上运行,因此在类型为T的RDD上运行时,func的函数类型必须是Iterator[T] => Iterator[U] |
mapPartitionsWithIndex(func) | 类似于mapPartitions,但func带有一个整数参数表示分片的索引值,因此在类型为T的RDD上运行时,func的函数类型必须是(Int, Iterator[T]) => Iterator[U] |
sample(withReplacement, fraction, seed) | 根据fraction指定的比例对数据进行采样,可以选择是否使用随机数进行替换,seed用于指定随机数生成器种子 |
union(otherDataset) | 对源RDD和参数RDD求并集后返回一个新的RDD |
intersection(otherDataset)diff -> 差集 | 对源RDD和参数RDD求交集后返回一个新的RDD |
distinct([numTasks])) [改变分区数] | 对源RDD进行去重后返回一个新的RDD |
groupByKey([numTasks]) | 在一个(K,V)的RDD上调用,返回一个(K, Iterator[V])的RDD |
reduceByKey(func, [numTasks]) | 在一个(K,V)的RDD上调用,返回一个(K,V)的RDD,使用指定的reduce函数,将相同key的值聚合到一起,与groupByKey类似,reduce任务的个数可以通过第二个可选的参数来设置 |
aggregateByKey(zeroValue)(seqOp, combOp, [numTasks]) | |
sortByKey([ascending], [numTasks]) | 在一个(K,V)的RDD上调用,K必须实现Ordered接口,返回一个按照key进行排序的(K,V)的RDD |
sortBy(func,[ascending], [numTasks]) | 与sortByKey类似,但是更灵活 |
join(otherDataset, [numTasks]) | 在类型为(K,V)和(K,W)的RDD上调用,返回一个相同key对应的所有元素对在一起的(K,(V,W))的RDD |
cogroup(otherDataset, [numTasks]) | 在类型为(K,V)和(K,W)的RDD上调用,返回一个(K,(Iterable<V>,Iterable<W>))类型的RDD |
cartesian(otherDataset) | 笛卡尔积 |
pipe(command, [envVars]) | |
coalesce(numPartitions) | |
repartition(numPartitions) | 重新分区 |
repartitionAndSortWithinPartitions(partitioner) |
2.Action -> 触发生成job(一个job对应一个action算子)
动作 | 含义 |
reduce(func) | 通过func函数聚集RDD中的所有元素,这个功能必须是可交换且可并联的 |
collect() | 在驱动程序中,以数组的形式返回数据集的所有元素 |
count() | 返回RDD的元素个数 |
first() | 返回RDD的第一个元素(类似于take(1)) |
take(n) | 取数据集的前n个元素组成的数组 |
takeSample(withReplacement,num, [seed]) | 返回一个数组,该数组由从数据集中随机采样的num个元素组成,可以选择是否用随机数替换不足的部分,seed用于指定随机数生成器种子 |
takeOrdered(n, [ordering]) | takeOrdered和top类似,只不过以和top相反的顺序返回元素 |
saveAsTextFile(path) | 将数据集的元素以textfile的形式保存到HDFS文件系统或者其他支持的文件系统,对于每个元素,Spark将会调用toString方法,将它装换为文件中的文本 |
saveAsSequenceFile(path) | 将数据集中的元素以Hadoop sequencefile的格式保存到指定的目录下,可以使HDFS或者其他Hadoop支持的文件系统。 |
saveAsObjectFile(path) | |
countByKey() | 针对(K,V)类型的RDD,返回一个(K,Int)的map,表示每一个key对应的元素个数。 |
foreach(func) | 在数据集的每一个元素上,运行函数func进行更新。 |
创建RDDLinux进入sparkShell:/usr/local/spark.../bin/spark-shell \--master spark://hadoop01:7077 \--executor-memory 512m \--total-executor-cores 2或在Maven下:
object lx03 { def main(args: Array[String]): Unit = { val conf : SparkConf = new SparkConf() .setAppName("SparkAPI") .setMaster("local[*]") |
练习2
val rdd1 = sc.parallelize(Array("a b c", "d e f", "h i j"))//将rdd1里面的每一个元素先切分在压平val rdd2 = rdd1.flatMap(_.split(' '))rdd2.collect//复杂的:val rdd1 = sc.parallelize(List(List("a b c", "a b b"), List("e f g", "a f g"), List("h i j", "a a b")))//将rdd1里面的每一个元素先切分在压平val rdd2 = rdd1.flatMap(_.flatMap(_.split(" "))) |
练习3
val rdd1 = sc.parallelize(List(5, 6, 4, 3))val rdd2 = sc.parallelize(List(1, 2, 3, 4))//求并集val rdd3 = rdd1.union(rdd2) |
练习4
val rdd1 = sc.parallelize(List(("tom", 1), ("jerry", 3), ("kitty", 2)))val rdd2 = sc.parallelize(List(("jerry", 2), ("tom", 1), ("shuke", 2)))//求joinval rdd3 = rdd1.join(rdd2) -> 相同的key组成新的key,value//结果: Array[(String,(Int,Int))] = Array((tom,(1,1)),(jerry,(3,2)))rdd3.collect//求左连接和右连接val rdd3 = rdd1.leftOuterJoin(rdd2)rdd3.collectval rdd3 = rdd1.rightOuterJoin(rdd2)rdd3.collect//求并集val rdd4 = rdd1 union rdd2//按key进行分组rdd4.groupByKeyrdd4.collect//分别用groupByKey和reduceByKey实现单词计数val rdd3 = rdd1 union rdd2rdd3.groupByKey().mapValues(_.sum).collectrdd3.reduceByKey(_+_).collect |
groupByKey和reduceByKey的区别reduceByKey算子比较特殊,它首先会进行局部聚合,再全局聚合,我们只需要传一个局部聚合的函数就可以了 练习5
val rdd1 = sc.parallelize(List(("tom", 1), ("tom", 2), ("jerry", 3), ("kitty", 2)))val rdd2 = sc.parallelize(List(("jerry", 2), ("tom", 1), ("shuke", 2)))//cogroupval rdd3 = rdd1.cogroup(rdd2)//注意cogroup与groupByKey的区别rdd3.collect |
计算元素个数
scala> val rdd1 = sc.parallelize(List(2,3,1,5,7,3,4))rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[0] at parallelize at <console>:27 |
top先升序排序在取值
scala> rdd1.top(3)res1: Array[Int] = Array(7, 5, 4) |
take原集合前N个,有几个取几个
scala> rdd1.take(3)res4: Array[Int] = Array(2, 3, 1) |
takeordered倒序排序再取值
scala> rdd1.takeOrdered(3)res7: Array[Int] = Array(1, 2, 3) |
生成RDD的两种方式1.并行化方式生成 (默认分区两个)手动指定分区
scala> val rdd1 = sc.parallelize(List(1,2,3,5))rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[5] at parallelize at <console>:27 |
2.使用textFile读取文件存储系统里的数据
scala> val rdd2 = sc.textFile("hdfs://hadoop01:9000/wordcount/input/a.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_)rdd2: org.apache.spark.rdd.RDD[(String, Int)] = ShuffledRDD[11] at reduceByKey at <console>:27 |
- 浅谈对于RDD的认识 RDD(Resilient Distributed Datasets)弹性分布式数据集,是在集群应用中分享数据的一种高效,通用,容错的抽象,是Spark提供的最重要的抽象的概念
- 【大数据笔记08】Spark的弹性分布式数据集——RDD、Spark的运行流程
- 好程序员大数据学习路线Hadoop学习干货分享
- 好程序员大数据学习路线分享Hadoop阶段的高可用配置
- 好程序员大数据学习路线分享高阶函数
- 好程序员大数据学习路线分享MapReduce全流程总结
- 好程序员大数据学习路线分享MapReduce全过程解析
- 好程序员大数据学习路线分享Scala系列之集合操作函数
- Spark 基础学习第一讲:弹性分布式数据集RDD
- 好程序员大数据学习路线分享Scala分支和循环
- 好程序员大数据学习路线分享hive的运行方式
- Spark学习之弹性分布式数据集RDD
- 好程序员大数据学习路线分享Scala分支和循环
- 好程序员大数据学习路线分享函数+map映射+元祖
- 好程序员大数据学习路线分享AWK详解
- Hive数据分析——Spark是一种基于rdd(弹性数据集)的内存分布式并行处理框架,比于Hadoop将大量的中间结果写入HDFS,Spark避免了中间结果的持久化
- 大数据技术学习:弹性分布式数据集RDD
- 好程序员大数据学习路线分享hive的运行方式
- Spark学习笔记(三)-RDD(弹性分布式数据集)
- 好程序员大数据学习路线分享MAPREDUCE