Spark：使用Java实现所有的Transformation操作

来源：互联网发布：mac设置iphone铃声acc 编辑：程序博客网时间：2024/06/05 09:09
完整代码如下

package cn.spark.study.core;import java.util.Arrays;import java.util.Iterator;import java.util.List;import org.apache.spark.SparkConf;import org.apache.spark.api.java.JavaPairRDD;import org.apache.spark.api.java.JavaRDD;import org.apache.spark.api.java.JavaSparkContext;import org.apache.spark.api.java.function.FlatMapFunction;import org.apache.spark.api.java.function.Function;import org.apache.spark.api.java.function.Function2;import org.apache.spark.api.java.function.VoidFunction;import akka.dispatch.Filter;import scala.Tuple2;/** * transformation操作实战 * @author Administrator * */@SuppressWarnings(value = {"unused","unchecked"})public class TransformationOperation_6 {public static void main(String[] args) {    map();    filter();    flatMap();    groupByKey();    reduceByKey();    sortByKey();    join();    cogroup();}/** * map算子案例：将集合中每一个元素都乘以2 */private static void map(){    //创建sparkconf    SparkConf conf = new SparkConf().setAppName("map").setMaster("local");    //创建JavaSparkContext    JavaSparkContext sc = new JavaSparkContext(conf);    //构造集合    List<Integer> numbers = Arrays.asList(1,2,3,4,5);    //并行化集合，创建初始rdd    JavaRDD<Integer> numberRdd = sc.parallelize(numbers);    //使用map算子，将集合中的每个元素都乘以2    //map算子是对任何类型的rdd都可以调用的    //在java中，map算子接受的参数是Function对象    //创建的function对象，一定会让你设置第二个泛型参数，这个泛型类型，就是返回的新元素的类型     //同时 call（）方法的返回类型，也必须与第二个泛型类型同步    //在call（）方法内部，就可以对原始rdd中的每一个元素进行各种处理和计算，并返回一个新的元素，    //所有新的元素就会组成一个新的rdd    JavaRDD<Integer> multipleNumberRdd = numberRdd.map(new Function<Integer, Integer>() {        /**         *          */        private static final long serialVersionUID = 1L;        //传入call（）方法的就是1,2,3,4,5        //返回的就是2,4,6,8,10        @Override        public Integer call(Integer v1) throws Exception {            return v1*2;        }    });    //打印新的RDD    multipleNumberRdd.foreach(new VoidFunction<Integer>() {        /**         *          */        private static final long serialVersionUID = 1L;        @Override        public void call(Integer t) throws Exception {            System.out.println(t);        }    });    //关闭JavaSparkContext    sc.close();}/** * filter 算子案例：过滤集合中的偶数 */private static void filter(){    //创建sparkconf    SparkConf conf = new SparkConf().setAppName("filter").setMaster("local");    //创建JavaSparkContext    JavaSparkContext sc = new JavaSparkContext(conf);    //模拟集合    List<Integer> numbers = Arrays.asList(1,2,3,4,5,6,7,8,9,10,11,12,14);    //并行化集合，创建初始化rdd    JavaRDD<Integer> numberRDD = sc.parallelize(numbers);    //对初始rdd使用filter算子，过滤出集合中的偶数    //filter算子，传入的也是Function，其他的使用注意点，实际上和map是一样的    //但是唯一不同的就是call（）方法的返回类型是boolean    //每一个初始rdd中的元素，都会传入call（）方法，此时你可以执行各种自定义的计算逻辑    //来判断这个元素是否是你想要的    //如果你想在新的rdd中保留这个元素，那么就返回true，苟泽返回false    JavaRDD< Integer> evenNumberRDD =  numberRDD.filter(new Function<Integer, Boolean>() {        /**         *          */        private static final long serialVersionUID = 1L;        @Override        public Boolean call(Integer v) throws Exception {            return v % 2 == 0;        }    });    //打印新的RDD    evenNumberRDD.foreach(new VoidFunction<Integer>() {        /**         *          */        private static final long serialVersionUID = 1L;        @Override        public void call(Integer t) throws Exception {            System.out.println(t);        }    });    //关闭JavaSparkContext    sc.close();}/** * flatMap 案例：将文本行拆分为多个单词 */private static void flatMap(){    //创建sparkconf    SparkConf conf = new SparkConf().setAppName("flatMap").setMaster("local");    //创建JavaSparkContext    JavaSparkContext sc = new JavaSparkContext(conf);    //构造集合    List<String> lineList = Arrays.asList("hello you","hello me","hello world");    //并行化集合，创建RDD    JavaRDD<String> lines = sc.parallelize(lineList);    //对RDD执行flatMap算子，将每一行文本，拆分为多个单词    //flatMap算子，在java中，接受的参数是FlatMapFunction    //我们需要自己定义FlatMapFunction的第二个泛型类型，即代表了返回的新元素的类型    //call()方法，返回的类型，不是U，而是Iterable<U>，这里的U也与第二个泛型类型相同    //flatMap其实就是，接受原始RDD中的每个元素，并进行各种逻辑的计算和处理，返回可以返回多个元素    //多个元素，即封装在Iterable集合中，可以使用ArrayList等集合    //新的RDD中，即封装了所有的新元素，也就是说，新的RDD的大小一定是>=原始RDD的大小    JavaRDD<String> words = lines.flatMap(new FlatMapFunction<String, String>() {        /**         *          */        private static final long serialVersionUID = 1L;        @Override        public Iterable<String> call(String v) throws Exception {            return Arrays.asList(v.split(" "));        }    });    //打印新的RDD    words.foreach(new VoidFunction<String>() {        /**         *          */        private static final long serialVersionUID = 1L;        @Override        public void call(String t) throws Exception {            System.out.println(t);        }    });    //关闭JavaSparkContext    sc.close();}/** * groutByKey案例：安装班级对成绩进行分组 */private static void groupByKey(){    //创建sparkConf    SparkConf conf = new SparkConf().setAppName("groupByKey").setMaster("local");    //创建sparkcontext    JavaSparkContext sc = new JavaSparkContext(conf);    //模拟集合    List<Tuple2<String, Integer>> scoreList = Arrays.asList(            new Tuple2<String, Integer>("class1", 80),            new Tuple2<String, Integer>("class2", 75),            new Tuple2<String, Integer>("class1", 90),            new Tuple2<String, Integer>("class2", 85));    //并行化集合,创建JavaPariRDD    JavaPairRDD<String, Integer> scores = sc.parallelizePairs(scoreList);    //针对scores RDD，执行groupByKey算子，对每个班级的成绩进行分组    //groupByKey算子，返回的还是JavaPariRDD    //但是JavaPariRDD的第一个泛型类型不变，第二个泛型类型变成Iterable这种集合类型    //也就是说，按照了Key进行分组，那么每个key可能都会有多个value，此时多个value聚合成了Iterable    //那么接下来，我们是不是就可以通过groupedScores这种JavaPariRDD，很方便地处理某种分组内的数据    JavaPairRDD<String, Iterable<Integer>> groupedScores = scores.groupByKey();    //打印新的RDD    groupedScores.foreach(new VoidFunction<Tuple2<String,Iterable<Integer>>>() {        private static final long serialVersionUID = 1L;        @Override        public void call(Tuple2<String, Iterable<Integer>> t) throws Exception {            System.out.println("class:"+t._1);            Iterator<Integer> iterable = t._2.iterator();            while(iterable.hasNext()){                System.out.println(iterable.next());            }            System.out.println("===================");        }    });    //关闭SparkContext    sc.close();}/** * reduceByKey案例：统计每个班级的总分 */private static void reduceByKey(){    //创建sparkConf    SparkConf conf = new SparkConf().setAppName("reduceByKey").setMaster("local");    //创建sparkcontext    JavaSparkContext sc = new JavaSparkContext(conf);    //模拟集合    List<Tuple2<String, Integer>> scoreList = Arrays.asList(            new Tuple2<String, Integer>("class1", 80),            new Tuple2<String, Integer>("class2", 75),            new Tuple2<String, Integer>("class1", 90),            new Tuple2<String, Integer>("class2", 85));    //并行化集合,创建JavaPariRDD    JavaPairRDD<String, Integer> scores = sc.parallelizePairs(scoreList);    //针对scores RDD，执行reduceByKey算子    //reduceByKey，接收的参数是Function2类型，它有三个泛型类型，实际上代表了三个值    //第一个泛型类型和第二个泛型类型，代表了原始RDD中的元素的value的类型        //因此对每个key进行reduce，都会一次将第一个、第二个value传入，将值再与第三个value传入        //因此此处，会自动定义两个泛型类型，代表call（）方法的两个传入参数类型    //第三个泛型类型，代表了每次reduce操作返回的值的类型，默认也是与原始RDD的value类型相同的    //reduceByKey算子返回的RDD，还是JavaPariRDD<key,value>    JavaPairRDD<String, Integer> totalScores = scores.reduceByKey(new Function2<Integer, Integer, Integer>() {        private static final long serialVersionUID = 1L;        @Override        public Integer call(Integer v1, Integer v2) throws Exception {            return v1+v2;        }    });    //打印新的RDD    totalScores.foreach(new VoidFunction<Tuple2<String,Integer>>() {        private static final long serialVersionUID = 1L;        @Override        public void call(Tuple2<String, Integer> t) throws Exception {            System.out.println(t._1+" :"+t._2);        }    });    //关闭SparkContext    sc.close();}/** * sortByKey案例：按照学生分数进行排序 */private static void sortByKey(){    //创建sparkConf    SparkConf conf = new SparkConf().setAppName("sortByKey").setMaster("local");    //创建sparkcontext    JavaSparkContext sc = new JavaSparkContext(conf);    //模拟集合    List<Tuple2<Integer, String>> scoreList = Arrays.asList(            new Tuple2<Integer, String>(65, "leo"),            new Tuple2<Integer, String>(80, "tom"),            new Tuple2<Integer, String>(90, "marry"),            new Tuple2<Integer, String>(70, "jack"));    //并行化集合,创建JavaPariRDD    JavaPairRDD<Integer, String> scores = sc.parallelizePairs(scoreList);    //对scores RDD执行sortByKey算子    //sortByKey其实就是根据key进行排序，可以手动指定升序或者降序    //返回的，还是JavaPariRDD，其中的元素内容，都是和原始的RDD一模一样的    //但是就是RDD中的元素的顺序不同了    JavaPairRDD<Integer, String> sortedScores = scores.sortByKey(false);    //打印新的RDD    sortedScores.foreach(new VoidFunction<Tuple2<Integer,String>>() {        private static final long serialVersionUID = 1L;        @Override        public void call(Tuple2<Integer, String> t) throws Exception {            System.out.println(t._1+":"+t._2);        }    });    //关闭SparkContext    sc.close();}/** * join案例：打印学生成绩 */private static void join(){    //创建sparkConf    SparkConf conf = new SparkConf().setAppName("join").setMaster("local");    //创建sparkcontext    JavaSparkContext sc = new JavaSparkContext(conf);       //模拟集合    List<Tuple2<Integer, String>> studentList = Arrays.asList(            new Tuple2<Integer, String>(1, "leo"),            new Tuple2<Integer, String>(2, "jack"),            new Tuple2<Integer, String>(3, "tom"));    List<Tuple2<Integer, Integer>> scoreList = Arrays.asList(            new Tuple2<Integer, Integer>(1, 100),            new Tuple2<Integer, Integer>(2, 90),            new Tuple2<Integer, Integer>(3, 70));    //并行化两个RDD    JavaPairRDD<Integer,String> students = sc.parallelizePairs(studentList);    JavaPairRDD<Integer,Integer> scores = sc.parallelizePairs(scoreList);    //使用join算子关联两个RDD    //join以后，还是会根据key进行join，并返回JavaPariRDD    //但是JavaPariRDD的第一个泛型类型，之前两个JavaPariRDD的key的类型，因为是通过key进行join的    //第二个泛型类型，是Tuple2<v1,v2>的类型，Tuple2的两个泛型分别为原始RDD的value的类型    //join，就返回的RDD的每一个元素，就是通过key join上的一个pair    //什么意思？比如（1,1）（1,2）（1,3）的一个RDD        // 还有一个（1,4）（2,1）（2,2）的一个RDD        //join以后，实际上会得到（1,（1,4））（1，（2,4））（1，（3,4））    JavaPairRDD<Integer, Tuple2<String, Integer>> studentScores = students.join(scores);    //打印新的rdd    studentScores.foreach(new VoidFunction<Tuple2<Integer,Tuple2<String,Integer>>>() {        private static final long serialVersionUID = 1L;        @Override        public void call(Tuple2<Integer, Tuple2<String, Integer>> t) throws Exception {            System.out.println("student id:" + t._1);            System.out.println("student name:"+t._2._1);            System.out.println("student score:"+t._2._2);            System.out.println("===========================");        }    });    //关闭SparkContext    sc.close();}/** * cogroup案例：打印学生成绩 */private static void cogroup(){    //创建sparkConf    SparkConf conf = new SparkConf().setAppName("cogroup").setMaster("local");    //创建sparkcontext    JavaSparkContext sc = new JavaSparkContext(conf);       //模拟集合    List<Tuple2<Integer, String>> studentList = Arrays.asList(            new Tuple2<Integer, String>(1, "leo"),            new Tuple2<Integer, String>(2, "jack"),            new Tuple2<Integer, String>(3, "tom"));    List<Tuple2<Integer, Integer>> scoreList = Arrays.asList(            new Tuple2<Integer, Integer>(1, 100),            new Tuple2<Integer, Integer>(2, 90),            new Tuple2<Integer, Integer>(3, 70),            new Tuple2<Integer, Integer>(1, 80),            new Tuple2<Integer, Integer>(2, 95),            new Tuple2<Integer, Integer>(3, 60));    //并行化两个RDD    JavaPairRDD<Integer,String> students = sc.parallelizePairs(studentList);    JavaPairRDD<Integer,Integer> scores = sc.parallelizePairs(scoreList);    //使用cogroup算子关联两个RDD    //cogroup和join不同    //相当于是一个key join上的所有value，都给放到一个Iteable里面去了    //cogroup,不太好讲解，希望多加理解    JavaPairRDD<Integer, Tuple2<Iterable<String>,Iterable<Integer>>> studentScores = students.cogroup(scores);    //打印新的rdd    studentScores.foreach(new VoidFunction<Tuple2<Integer,Tuple2<Iterable<String>,Iterable<Integer>>>>() {        private static final long serialVersionUID = 1L;        @Override        public void call(Tuple2<Integer, Tuple2<Iterable<String>, Iterable<Integer>>> t) throws Exception {            System.out.println("student id:" + t._1);            System.out.println("student name:"+t._2._1);            System.out.println("student score:"+t._2._2);            System.out.println("===========================");        }    });    //关闭SparkContext    sc.close();}
}
阅读全文
0 0