Spark中的各种action算子操作（java版）

在我看来，Spark编程中的action算子的作用就像一个触发器，用来触发之前的transformation算子。transformation操作具有懒加载的特性，你定义完操作之后并不会立即加载，只有当某个action的算子执行之后，前面所有的transformation算子才会全部执行。常用的action算子如下代码所列：（java版）
package cn.spark.study.core;

import java.util.Arrays;
import java.util.List;
import java.util.Map;

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.Function;
import org.apache.spark.api.java.function.Function2;

import scala.Tuple2;

/**
* action操作实战
* @author dd
*
*/
public class ActionOperation {
public static void main(String[] args) {
//reduceTest();
//collectTest();
//countTest();
//takeTest();
countByKeyTest();
}

/** * reduce算子 * 案例：求累加和 */private static void reduceTest(){    SparkConf conf = new SparkConf()                    .setAppName("reduce")                    .setMaster("local");    JavaSparkContext sc = new JavaSparkContext(conf);    List<Integer> numberList = Arrays.asList(1,2,3,4,5,6,7,8,9,10);    JavaRDD<Integer> numbersRDD = sc.parallelize(numberList);    //使用reduce操作对集合中的数字进行累加    int sum = numbersRDD.reduce(new Function2<Integer, Integer, Integer>() {        @Override        public Integer call(Integer arg0, Integer arg1) throws Exception {            return arg0+arg1;        }    });    System.out.println(sum);    sc.close();}/** * collect算子 * 可以将集群上的数据拉取到本地进行遍历（不推荐使用） */private static void collectTest(){    SparkConf conf = new SparkConf()    .setAppName("collect")    .setMaster("local");    JavaSparkContext sc = new JavaSparkContext(conf);    List<Integer> numberList = Arrays.asList(1,2,3,4,5,6,7,8,9,10);    JavaRDD<Integer> numbersRDD = sc.parallelize(numberList);    JavaRDD<Integer> doubleNumbers = numbersRDD.map(new Function<Integer, Integer>() {        @Override        public Integer call(Integer arg0) throws Exception {            // TODO Auto-generated method stub            return arg0*2;        }    });    //foreach的action操作是在远程集群上遍历rdd中的元素，而collect操作是将在分布式集群上的rdd    //数据拉取到本地，这种方式一般不建议使用，因为如果rdd中的数据量较大的话，比如超过一万条，那么性能会    //比较差，因为要从远程走大量的网络传输，将数据获取到本地，有时还可能发生oom异常，内存溢出    //所以还是推荐使用foreach操作来对最终的rdd进行处理    List<Integer> doubleNumList = doubleNumbers.collect();    for(Integer num : doubleNumList){        System.out.println(num);    }    sc.close();}/** * count算子 * 可以统计rdd中的元素个数 */private static void countTest(){    SparkConf conf = new SparkConf()    .setAppName("count")    .setMaster("local");    JavaSparkContext sc = new JavaSparkContext(conf);    List<Integer> numberList = Arrays.asList(1,2,3,4,5,6,7,8,9,10);    JavaRDD<Integer> numbersRDD = sc.parallelize(numberList);    //对rdd使用count操作统计rdd中元素的个数    long count = numbersRDD.count();    System.out.println(count);    sc.close();}/** * take算子 * 将远程rdd的前n个数据拉取到本地 */private static void takeTest(){    SparkConf conf = new SparkConf()    .setAppName("take")    .setMaster("local");    JavaSparkContext sc = new JavaSparkContext(conf);    List<Integer> numberList = Arrays.asList(1,2,3,4,5,6,7,8,9,10);    JavaRDD<Integer> numbersRDD = sc.parallelize(numberList);    //take操作与collect操作类似，也是从远程集群上获取rdd数据，但是，collect操作获取的是rdd的    //所有数据，take获取的只是前n个数据    List<Integer> top3number = numbersRDD.take(3);    for(Integer num : top3number){        System.out.println(num);    }    sc.close();}/** * saveAsTextFile算子 *  */private static void saveAsTExtFileTest(){    SparkConf conf = new SparkConf()    .setAppName("saveAsTextFile");    JavaSparkContext sc = new JavaSparkContext(conf);    List<Integer> numberList = Arrays.asList(1,2,3,4,5,6,7,8,9,10);    JavaRDD<Integer> numbersRDD = sc.parallelize(numberList);    JavaRDD<Integer> doubleNumbers = numbersRDD.map(new Function<Integer, Integer>() {        @Override        public Integer call(Integer arg0) throws Exception {            // TODO Auto-generated method stub            return arg0*2;        }    });    //saveAsTextFile算子可以直接将rdd中的数据保存在hdfs中    //但是我们在这里只能指定保存的文件夹也就是目录，那么实际上，会保存为目录中的    //  /double_number.txt/part-00000文件    doubleNumbers.saveAsTextFile("hdfs://spark1:9000/double_number.txt");    sc.close();}/** * countByKey算子 */private static void countByKeyTest(){    SparkConf conf = new SparkConf()    .setAppName("take")    .setMaster("local");    JavaSparkContext sc = new JavaSparkContext(conf);    List<Tuple2<String, String>> studentsList = Arrays.asList(            new Tuple2<String, String>("class1","leo"),            new Tuple2<String, String>("class2","jack"),            new Tuple2<String, String>("class1","marry"),            new Tuple2<String, String>("class2","tom"),            new Tuple2<String, String>("class2","david"));    JavaPairRDD<String, String> studentsRDD = sc.parallelizePairs(studentsList);    //countByKey算子可以统计每个key对应元素的个数    //countByKey返回的类型直接就是Map<String,Object>    Map<String, Object> studentsCounts = studentsRDD.countByKey();    for(Map.Entry<String, Object> studentsCount : studentsCounts.entrySet()){        System.out.println(studentsCount.getKey()+" : "+studentsCount.getValue());    }    sc.close();}

}