spark 常用函数总结
来源:互联网 发布:cm和魔趣哪个优化好点 编辑:程序博客网 时间:2024/06/05 10:40
1, textFile() 读取外部数据源
2, map() 对每一条数据进行相应的处理 如切分
3, reduceByKey(_+_) 传入一个函数,将key相同的一类进行聚合计算 如相加
4, mapvalues(_+10) 传入一个函数,类似于map方法,不过这里只是对元组中的value进行计算
5,filter() 传入一个函数, 用户过滤处理数据
6,sortBy() 传入对哪个字段进行排序 对数据进行排序
7,partitionBy() 传入一个自定义的分区类,可进行数据的分区,
8,mapPartitions() 对每个分区中的每条数据进行处理 类似于map,不过map是针对整个数据的,而mapPartitions()是针对分区
假设一个rdd有10个元素,分成3个分区。如果使用map方法,map中的输入函数会被调用10次;而使用mapPartitions方法的话,其输入函数会只会被调用3次,每个分区调用1次。返回的数据需要转换为iterator
9,reverse 将排序好的数据进行反转
10,it.toList 将Iterator转换为list 然后就可以使用list的sortBy()函数进行排序
11,.iterator it.toList.sortBy(_._2._2).reverse.take(2).iterator 将数据转换为iterator
12,aggregate()()第一个参数需要传入一个初始值,第二个参数需要传入两个函数[每个函数都是2个参数(第一个参数:先对每个分区进行合并, 第二个:对个个分区合并后的结果再进行合并), 输出一个参数]
val rdd1 = sc.parallelize(List(1,2,3,4,5,6,7,8,9), 2)
rdd1.aggregate(0)(_+_, _+_) 求和
rdd1.aggregate(0)(math.max(_, _), _ + _) 先取出每个分区的最大值,再求和
val rdd2 = sc.parallelize(List("a","b","c","d","e","f"),2)
rdd2.aggregate("=")(_ + _, _ + _)
结果:==def=abc
13,groupBy() 对指定字段进行分组
14,foreachPartition()对分区内的每个元素进行操作,
val rdd1 = sc.parallelize(List(1, 2, 3, 4, 5, 6, 7, 8, 9), 3)
rdd1.foreachPartition(x => println(x.reduce(_ + _)))
可以用如下代替
val rdd1 = sc.parallelize(List(2, 1, 3, 5, 4, 6, 7, 8, 9), 3)
val rdd2 = rdd1.mapPartitions(x => {
var result = List[Int]()
result.::(x.toList.sum).iterator
})
15, keys values
val rdd1 = sc.parallelize(List("dog", "tiger", "lion", "cat", "panther", "eagle"), 2)
val rdd2 = rdd1.map(x => (x.length, x))
rdd2.keys.collect
rdd2.values.collect
16,filterByRange
val rdd1 = sc.parallelize(List(("e", 5), ("c", 3), ("d", 4), ("c", 2), ("a", 1)))
val rdd2 = rdd1.filterByRange("b", "d")
rdd2.collect
2, map() 对每一条数据进行相应的处理 如切分
3, reduceByKey(_+_) 传入一个函数,将key相同的一类进行聚合计算 如相加
4, mapvalues(_+10) 传入一个函数,类似于map方法,不过这里只是对元组中的value进行计算
5,filter() 传入一个函数, 用户过滤处理数据
6,sortBy() 传入对哪个字段进行排序 对数据进行排序
7,partitionBy() 传入一个自定义的分区类,可进行数据的分区,
8,mapPartitions() 对每个分区中的每条数据进行处理 类似于map,不过map是针对整个数据的,而mapPartitions()是针对分区
假设一个rdd有10个元素,分成3个分区。如果使用map方法,map中的输入函数会被调用10次;而使用mapPartitions方法的话,其输入函数会只会被调用3次,每个分区调用1次。返回的数据需要转换为iterator
9,reverse 将排序好的数据进行反转
10,it.toList 将Iterator转换为list 然后就可以使用list的sortBy()函数进行排序
11,.iterator it.toList.sortBy(_._2._2).reverse.take(2).iterator 将数据转换为iterator
12,aggregate()()第一个参数需要传入一个初始值,第二个参数需要传入两个函数[每个函数都是2个参数(第一个参数:先对每个分区进行合并, 第二个:对个个分区合并后的结果再进行合并), 输出一个参数]
val rdd1 = sc.parallelize(List(1,2,3,4,5,6,7,8,9), 2)
rdd1.aggregate(0)(_+_, _+_) 求和
rdd1.aggregate(0)(math.max(_, _), _ + _) 先取出每个分区的最大值,再求和
val rdd2 = sc.parallelize(List("a","b","c","d","e","f"),2)
rdd2.aggregate("=")(_ + _, _ + _)
结果:==def=abc
13,groupBy() 对指定字段进行分组
14,foreachPartition()对分区内的每个元素进行操作,
val rdd1 = sc.parallelize(List(1, 2, 3, 4, 5, 6, 7, 8, 9), 3)
rdd1.foreachPartition(x => println(x.reduce(_ + _)))
可以用如下代替
val rdd1 = sc.parallelize(List(2, 1, 3, 5, 4, 6, 7, 8, 9), 3)
val rdd2 = rdd1.mapPartitions(x => {
var result = List[Int]()
result.::(x.toList.sum).iterator
})
15, keys values
val rdd1 = sc.parallelize(List("dog", "tiger", "lion", "cat", "panther", "eagle"), 2)
val rdd2 = rdd1.map(x => (x.length, x))
rdd2.keys.collect
rdd2.values.collect
16,filterByRange
val rdd1 = sc.parallelize(List(("e", 5), ("c", 3), ("d", 4), ("c", 2), ("a", 1)))
val rdd2 = rdd1.filterByRange("b", "d")
rdd2.collect
阅读全文
1 0
- spark 常用函数总结
- Spark RDD常用的函数
- spark RDD常用函数/操作
- Hadoop与Spark常用配置参数总结
- Hadoop与Spark常用配置参数总结
- Hadoop与Spark常用配置参数总结
- Hadoop、Spark、Hbase常用配置参数总结
- Hadoop与Spark常用配置参数总结
- Hadoop与Spark常用配置参数总结
- spark常用函数:transformation和action
- Spark常用函数讲解--键值RDD转换
- Spark常用函数讲解--Action操作
- spark常用函数:transformation和action
- spark常用函数:transformation和action Example
- Spark常用函数讲解之Action操作
- Spark常用函数:transformation和action
- Spark常用函数讲解之Action操作
- Spark常用函数之RDD基本转换
- SVM+HOG:训练分类器生成.xml文件
- 记录一些常用的utils方法2
- K8s 多自定义计量(custom metrics)
- C语言程序设计(34)
- 快速排序
- spark 常用函数总结
- vector
- 【Java-Web】Tomcat启动后,只能通过localhost访问,不能通过本机IP
- 查看tomcat当前连接数
- 不小心把本地的maven仓库干掉了怎么办?
- JavaScript中的真值和假值
- 十进制和二进制互转
- strip()函数。
- 初试css3 calc 属性