Spark RDD Actions&Transformations
来源:互联网 发布:活性炭吸附甲醛 知乎 编辑:程序博客网 时间:2024/05/16 11:36
1,transformation是得到一个新的RDD,方式很多,比如:
- 1.1 从Hadoop文件系统(如HDFS、Hive、HBase)输入创建
- 1.2 从父RDD转换得到新RDD
- 1.3 通过parallelize或makeRDD将单机数据创建为分布式RDD (区别: A)makeRDD函数比parallelize函数多提供了数据的位置信息。 B)两者的返回值都是ParallelCollectionRDD,但parallelize函数可以自己指定分区的数量,而
makeRDD函数固定为seq参数的size大小) - 1.4 基于DB(Mysql)、NoSQL(HBase)、S3(SC3)、数据流创建。
2,action是得到一个值,或者一个结果(直接将RDDcache到内存中)
所有的transformation都是采用的懒策略,就是如果只是将transformation提交是不会执行计算的,计算只有在action被提交的时候才被触发。
3,图示:
Java代码的实现之transformation操作实战
import java.util.Arrays;
import java.util.Iterator;
import java.util.List;
import org.apache.spark.SparkConf;
importorg.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
importorg.apache.spark.api.java.JavaSparkContext;
importorg.apache.spark.api.java.function.FlatMapFunction;
importorg.apache.spark.api.java.function.Function;
importorg.apache.spark.api.java.function.Function2;
importorg.apache.spark.api.java.function.VoidFunction;
import scala.Tuple2;
/**
*transformation操作实战
*@author Administrator
*
*/
@SuppressWarnings(value = {"unused","unchecked"})
public class TransformationOperation {
publicstatic 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
*/
privatestatic 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算子接收的参数是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 longserialVersionUID = 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(Integerv1) throws Exception {
return v1 * 2;
}
});
// 打印新的RDD
multipleNumberRDD.foreach(new VoidFunction<Integer>() {
private static final longserialVersionUID = 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
*/
privatestatic void filter() {
// 创建SparkConf
SparkConf conf = new SparkConf()
.setAppName("filter")
.setMaster("local");
// 创建JavaSparkContext
JavaSparkContext sc = newJavaSparkContext(conf);
// 模拟集合
List<Integer> numbers = Arrays.asList(1, 2, 3, 4, 5, 6, 7, 8, 9, 10);
// 并行化集合,创建初始RDD
JavaRDD<Integer> numberRDD = sc.parallelize(numbers);
// 对初始RDD执行filter算子,过滤出其中的偶数
// 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,唯一的不同,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;否则,不想保留这个元素,返回false
JavaRDD<Integer> evenNumberRDD = numberRDD.filter(
new Function<Integer,Boolean>() {
private static final longserialVersionUID = 1L;
// 在这里,1到10,都会传入进来
// 但是根据我们的逻辑,只有2,4,6,8,10这几个偶数,会返回true
// 所以,只有偶数会保留下来,放在新的RDD中
@Override
public Boolean call(Integerv1) throws Exception {
return v1 % 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
*/
privatestatic 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", "hellome", "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,接收的参数是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,接收原始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;
// 在这里会,比如,传入第一行,hello you
// 返回的是一个Iterable<String>(hello, you)
@Override
public Iterable<String> call(String t) throws Exception {
return Arrays.asList(t.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();
}
/**
*groupByKey案例:按照班级对成绩进行分组
*/
privatestatic void groupByKey() {
// 创建SparkConf
SparkConf conf = new SparkConf()
.setAppName("groupByKey")
.setMaster("local");
// 创建JavaSparkContext
JavaSparkContext sc = newJavaSparkContext(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", 65));
// 并行化集合,创建JavaPairRDD
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JavaPairRDD
// 但是,JavaPairRDD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JavaPairRDD,很方便地处理某个分组内的数据
JavaPairRDD<String, Iterable<Integer>> groupedScores =scores.groupByKey();
// 打印groupedScores 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> ite =t._2.iterator();
while(ite.hasNext()) {
System.out.println(ite.next());
}
System.out.println("==============================");
}
});
// 关闭JavaSparkContext
sc.close();
}
/**
* reduceByKey案例:统计每个班级的总分
*/
privatestatic void reduceByKey() {
// 创建SparkConf
SparkConf conf = new SparkConf()
.setAppName("reduceByKey")
.setMaster("local");
// 创建JavaSparkContext
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", 65));
// 并行化集合,创建JavaPairRDD
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,它有三个泛型参数,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,都会依次将第一个、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的类型
// 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算法返回的RDD,还是JavaPairRDD<key, value>
JavaPairRDD<String, Integer> totalScores = scores.reduceByKey(
new Function2<Integer,Integer, Integer>() {
private static final longserialVersionUID = 1L;
// 对每个key,都会将其value,依次传入call方法
// 从而聚合出每个key对应的一个value
// 然后,将每个key对应的一个value,组合成一个Tuple2,作为新RDD的元素
@Override
public Integer call(Integerv1, Integer v2) throws Exception {
return v1 + v2;
}
});
// 打印totalScores 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JavaSparkContext
sc.close();
}
/**
* sortByKey案例:按照学生分数进行排序
*/
privatestatic void sortByKey() {
// 创建SparkConf
SparkConf conf = new SparkConf()
.setAppName("sortByKey")
.setMaster("local");
// 创建JavaSparkContext
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>(50,"tom"),
new Tuple2<Integer, String>(100,"marry"),
new Tuple2<Integer, String>(80,"jack"));
// 并行化集合,创建RDD
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JavaPairRDD,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sortedScored 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JavaSparkContext
sc.close();
}
/**
* join案例:打印学生成绩
*/
privatestatic void join() {
// 创建SparkConf
SparkConf conf = new SparkConf()
.setAppName("join")
.setMaster("local");
// 创建JavaSparkContext
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, 60),
new Tuple2<Integer,Integer>(2, 80),
new Tuple2<Integer,Integer>(2, 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JavaPairRDD
// 但是JavaPairRDD的第一个泛型类型,之前两个JavaPairRDD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
// 什么意思呢?比如有(1, 1) (1, 2) (1, 3)的一个RDD
// 还有一个(1, 4) (2, 1) (2, 2)的一个RDD
// 如果是cogroup的话,会是(1,((1,2,3),(4)))
// 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studnetScores RDD
studentScores.foreach(
newVoidFunction<Tuple2<Integer,Tuple2<String,Integer>>>() {
private static final longserialVersionUID = 1L;
@Override
public voidcall(Tuple2<Integer, Tuple2<String, Integer>> t)
throws Exception {
System.out.println("studentid: " + t._1);
System.out.println("studentname: " + t._2._1);
System.out.println("studentscore: " + t._2._2);
System.out.println("===============================");
}
});
// 关闭JavaSparkContext
sc.close();
}
/**
* cogroup案例:打印学生成绩
*/
privatestatic void cogroup() {
// 创建SparkConf
SparkConf conf = new SparkConf()
.setAppName("cogroup")
.setMaster("local");
// 创建JavaSparkContext
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, 60),
new Tuple2<Integer,Integer>(1, 70),
new Tuple2<Integer,Integer>(2, 80),
new Tuple2<Integer,Integer>(3, 50));
// 并行化两个RDD
JavaPairRDD<Integer, String> students =sc.parallelizePairs(studentList);
JavaPairRDD<Integer, Integer> scores =sc.parallelizePairs(scoreList);
// cogroup与join不同
// 相当于是,一个key join上的所有value,都给放到一个Iterable里面去了
// cogroup,不太好讲解,希望大家通过动手编写我们的案例,仔细体会其中的奥妙
JavaPairRDD<Integer, Tuple2<Iterable<String>,Iterable<Integer>>> studentScores =
students.cogroup(scores);
// 打印studnetScores RDD
studentScores.foreach(
newVoidFunction<Tuple2<Integer,Tuple2<Iterable<String>,Iterable<Integer>>>>(){
private static final longserialVersionUID = 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("studentname: " + t._2._1);
System.out.println("studentscore: " + t._2._2);
System.out.println("===============================");
}
});
// 关闭JavaSparkContext
sc.close();
}
}
Java代码的实现之action操作实战
import java.util.Arrays;
import java.util.List;
import java.util.Map;
import org.apache.spark.SparkConf;
importorg.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
importorg.apache.spark.api.java.JavaSparkContext;
importorg.apache.spark.api.java.function.Function;
import org.apache.spark.api.java.function.Function2;
importorg.apache.spark.api.java.function.VoidFunction;
import scala.Tuple2;
/**
*action操作实战
*@author Administrator
*
*/
@SuppressWarnings("unused")
public class ActionOperation {
publicstatic void main(String[] args) {
// reduce();
// collect();
// count();
// take();
// saveAsTextFile();
countByKey();
}
privatestatic void reduce() {
// 创建SparkConf和JavaSparkContext
SparkConf conf = new SparkConf()
.setAppName("reduce")
.setMaster("local");
JavaSparkContext sc = new JavaSparkContext(conf);
// 有一个集合,里面有1到10,10个数字,现在要对10个数字进行累加
List<Integer> numberList = Arrays.asList(1, 2, 3, 4, 5, 6, 7, 8, 9,10);
JavaRDD<Integer> numbers = sc.parallelize(numberList);
// 使用reduce操作对集合中的数字进行累加
// reduce操作的原理:
// 首先将第一个和第二个元素,传入call()方法,进行计算,会获取一个结果,比如1 + 2 = 3
// 接着将该结果与下一个元素传入call()方法,进行计算,比如3 + 3 = 6
// 以此类推
// 所以reduce操作的本质,就是聚合,将多个元素聚合成一个元素
int sum = numbers.reduce(new Function2<Integer, Integer,Integer>() {
private static final long serialVersionUID = 1L;
@Override
public Integer call(Integer v1, Integer v2) throws Exception {
return v1 + v2;
}
});
System.out.println(sum);
// 关闭JavaSparkContext
sc.close();
}
privatestatic void collect() {
// 创建SparkConf和JavaSparkContext
SparkConf conf = new SparkConf()
.setAppName("collect")
.setMaster("local");
JavaSparkContext sc = new JavaSparkContext(conf);
// 有一个集合,里面有1到10,10个数字,现在要对10个数字进行累加
List<Integer> numberList =Arrays.asList(1, 2, 3, 4, 5, 6, 7, 8, 9, 10);
JavaRDD<Integer> numbers = sc.parallelize(numberList);
// 使用map操作将集合中所有数字乘以2
JavaRDD<Integer> doubleNumbers = numbers.map(
new Function<Integer,Integer>() {
private static final longserialVersionUID = 1L;
@Override
public Integer call(Integerv1) throws Exception {
return v1 * 2;
}
});
// 不用foreach action操作,在远程集群上遍历rdd中的元素
// 而使用collect操作,将分布在远程集群上的doubleNumbers RDD的数据拉取到本地
// 这种方式,一般不建议使用,因为如果rdd中的数据量比较大的话,比如超过1万条
// 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
// 此外,除了性能差,还可能在rdd中数据量特别大的情况下,发生oom异常,内存溢出
// 因此,通常,还是推荐使用foreach action操作,来对最终的rdd元素进行处理
List<Integer> doubleNumberList = doubleNumbers.collect();
for(Integer num : doubleNumberList) {
System.out.println(num);
}
// 关闭JavaSparkContext
sc.close();
}
privatestatic void count() {
// 创建SparkConf和JavaSparkContext
SparkConf conf = new SparkConf()
.setAppName("count")
.setMaster("local");
JavaSparkContext sc = new JavaSparkContext(conf);
// 有一个集合,里面有1到10,10个数字,现在要对10个数字进行累加
List<Integer> numberList = Arrays.asList(1, 2, 3, 4, 5, 6, 7, 8, 9,10);
JavaRDD<Integer> numbers = sc.parallelize(numberList);
// 对rdd使用count操作,统计它有多少个元素
long count = numbers.count();
System.out.println(count);
// 关闭JavaSparkContext
sc.close();
}
privatestatic void take() {
// 创建SparkConf和JavaSparkContext
SparkConf conf = new SparkConf()
.setAppName("take")
.setMaster("local");
JavaSparkContext sc = new JavaSparkContext(conf);
// 有一个集合,里面有1到10,10个数字,现在要对10个数字进行累加
List<Integer> numberList = Arrays.asList(1, 2, 3, 4, 5, 6, 7, 8, 9,10);
JavaRDD<Integer> numbers = sc.parallelize(numberList);
// 对rdd使用count操作,统计它有多少个元素
// take操作,与collect类似,也是从远程集群上,获取rdd的数据
// 但是collect是获取rdd的所有数据,take只是获取前n个数据
List<Integer> top3Numbers = numbers.take(3);
for(Integer num : top3Numbers) {
System.out.println(num);
}
// 关闭JavaSparkContext
sc.close();
}
privatestatic void saveAsTextFile() {
// 创建SparkConf和JavaSparkContext
SparkConf conf = new SparkConf()
.setAppName("saveAsTextFile");
JavaSparkContext sc = new JavaSparkContext(conf);
// 有一个集合,里面有1到10,10个数字,现在要对10个数字进行累加
List<Integer> numberList = Arrays.asList(1, 2, 3, 4, 5, 6, 7, 8, 9,10);
JavaRDD<Integer> numbers =sc.parallelize(numberList);
// 使用map操作将集合中所有数字乘以2
JavaRDD<Integer> doubleNumbers = numbers.map(
new Function<Integer,Integer>() {
private static final long serialVersionUID= 1L;
@Override
public Integer call(Integerv1) throws Exception {
return v1 * 2;
}
});
// 直接将rdd中的数据,保存在HFDS文件中
// 但是要注意,我们这里只能指定文件夹,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");
// 关闭JavaSparkContext
sc.close();
}
@SuppressWarnings("unchecked")
privatestatic void countByKey() {
// 创建SparkConf
SparkConf conf = new SparkConf()
.setAppName("countByKey")
.setMaster("local");
// 创建JavaSparkContext
JavaSparkContext sc = new JavaSparkContext(conf);
// 模拟集合
List<Tuple2<String, String>> scoreList = 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"));
// 并行化集合,创建JavaPairRDD
JavaPairRDD<String, String> students =sc.parallelizePairs(scoreList);
// 对rdd应用countByKey操作,统计每个班级的学生人数,也就是统计每个key对应的元素个数
// 这就是countByKey的作用
// countByKey返回的类型,直接就是Map<String, Object>
Map<String, Object> studentCounts = students.countByKey();
for(Map.Entry<String, Object>studentCount : studentCounts.entrySet()) {
System.out.println(studentCount.getKey() + ": " +studentCount.getValue());
}
// 关闭JavaSparkContext
sc.close();
}
}
Scala代码的实现之transformation操作实战
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
/**
*@author Administrator
*/
object TransformationOperation {
defmain(args: Array[String]) {
//map()
//filter()
//flatMap()
//groupByKey()
//reduceByKey()
//sortByKey()
join()
}
defmap() {
valconf = new SparkConf()
.setAppName("map")
.setMaster("local")
valsc = new SparkContext(conf)
valnumbers = Array(1, 2, 3, 4, 5)
valnumberRDD = sc.parallelize(numbers, 1)
valmultipleNumberRDD = numberRDD.map { num => num * 2 }
multipleNumberRDD.foreach { num => println(num) }
}
deffilter() {
valconf = new SparkConf()
.setAppName("filter")
.setMaster("local")
valsc = new SparkContext(conf)
valnumbers = Array(1, 2, 3, 4, 5, 6, 7, 8, 9, 10)
valnumberRDD = sc.parallelize(numbers, 1)
valevenNumberRDD = numberRDD.filter { num => num % 2 == 0 }
evenNumberRDD.foreach { num => println(num) }
}
defflatMap() {
valconf = new SparkConf()
.setAppName("flatMap")
.setMaster("local")
valsc = new SparkContext(conf)
vallineArray = Array("hello you", "hello me", "helloworld")
vallines = sc.parallelize(lineArray, 1)
valwords = lines.flatMap { line => line.split(" ") }
words.foreach { word => println(word) }
}
defgroupByKey() {
valconf = new SparkConf()
.setAppName("groupByKey")
.setMaster("local")
valsc = new SparkContext(conf)
valscoreList = Array(Tuple2("class1", 80), Tuple2("class2", 75),
Tuple2("class1", 90), Tuple2("class2", 60))
valscores = sc.parallelize(scoreList, 1)
valgroupedScores = scores.groupByKey()
groupedScores.foreach(score => {
println(score._1);
score._2.foreach { singleScore => println(singleScore) };
println("=============================")
})
}
defreduceByKey() {
valconf = new SparkConf()
.setAppName("groupByKey")
.setMaster("local")
valsc = new SparkContext(conf)
valscoreList = Array(Tuple2("class1", 80), Tuple2("class2", 75),
Tuple2("class1", 90), Tuple2("class2", 60))
valscores = sc.parallelize(scoreList, 1)
valtotalScores = scores.reduceByKey(_ + _)
totalScores.foreach(classScore => println(classScore._1 + ":" + classScore._2))
}
defsortByKey() {
valconf = new SparkConf()
.setAppName("sortByKey")
.setMaster("local")
valsc = new SparkContext(conf)
valscoreList = Array(Tuple2(65, "leo"), Tuple2(50, "tom"),
Tuple2(100, "marry"), Tuple2(85, "jack"))
valscores = sc.parallelize(scoreList, 1)
valsortedScores = scores.sortByKey(false)
sortedScores.foreach(studentScore => println(studentScore._1 + ":" + studentScore._2))
}
defjoin() {
valconf = new SparkConf()
.setAppName("join")
.setMaster("local")
valsc = new SparkContext(conf)
valstudentList = Array(
Tuple2(1, "leo"),
Tuple2(2, "jack"),
Tuple2(3, "tom"));
valscoreList = Array(
Tuple2(1, 100),
Tuple2(2, 90),
Tuple2(3, 60));
valstudents = sc.parallelize(studentList);
valscores = sc.parallelize(scoreList);
valstudentScores = students.join(scores)
studentScores.foreach(studentScore => {
println("student id: " + studentScore._1);
println("student name: " + studentScore._2._1)
println("student socre: " + studentScore._2._2)
println("=======================================")
})
}
defcogroup() {
}
}
Scala代码的实现之action操作实战
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
/**
*@author Administrator
*/
object ActionOperation {
defmain(args: Array[String]) {
//reduce()
//collect()
//count()
//take()
countByKey()
}
defreduce() {
valconf = new SparkConf()
.setAppName("reduce")
.setMaster("local")
valsc = new SparkContext(conf)
valnumberArray = Array(1, 2, 3, 4, 5, 6, 7, 8, 9, 10)
valnumbers = sc.parallelize(numberArray, 1)
valsum = numbers.reduce(_ + _)
println(sum)
}
defcollect() {
valconf = new SparkConf()
.setAppName("collect")
.setMaster("local")
valsc = new SparkContext(conf)
valnumberArray = Array(1, 2, 3, 4, 5, 6, 7, 8, 9, 10)
valnumbers = sc.parallelize(numberArray, 1)
valdoubleNumbers = numbers.map { num => num * 2 }
valdoubleNumberArray = doubleNumbers.collect()
for(num<- doubleNumberArray) {
println(num)
}
}
defcount() {
valconf = new SparkConf()
.setAppName("count")
.setMaster("local")
valsc = new SparkContext(conf)
valnumberArray = Array(1, 2, 3, 4, 5, 6, 7, 8, 9, 10)
valnumbers = sc.parallelize(numberArray, 1)
valcount = numbers.count()
println(count)
}
deftake() {
valconf = new SparkConf()
.setAppName("take")
.setMaster("local")
valsc = new SparkContext(conf)
valnumberArray = Array(1, 2, 3, 4, 5, 6, 7, 8, 9, 10)
valnumbers = sc.parallelize(numberArray, 1)
valtop3Numbers = numbers.take(3)
for(num<- top3Numbers) {
println(num)
}
}
defsaveAsTextFile() {
}
defcountByKey() {
valconf = new SparkConf()
.setAppName("countByKey")
.setMaster("local")
valsc = new SparkContext(conf)
valstudentList = Array(Tuple2("class1", "leo"), Tuple2("class2","jack"),
Tuple2("class1", "tom"), Tuple2("class2", "jen"),Tuple2("class2", "marry"))
valstudents = sc.parallelize(studentList, 1)
valstudentCounts = students.countByKey()
println(studentCounts)
}
}
from: https://yq.aliyun.com/articles/61317
- Spark RDD Actions&Transformations
- Spark PG4. RDD 操作二 常用的 Transformations 与 Actions 方法
- Spark的transformations和actions操作解释
- 学习spark:二、RDD的Transformations操作
- 通过例子学习spark rdd--Transformations函数
- Spark RDD Actions操作之reduce()
- Spark成长之路(3)-再谈RDD的Transformations
- Spark的这些事<三>——spark常用的Transformations 和Actions
- spark源码阅读笔记Dataset(二)Dataset中Actions、function、transformations
- 【Spark】RDD操作详解1——Transformation和Actions概况
- 【Spark】RDD操作详解1——Transformation和Actions概况
- 大数据:Spark Core (一) 什么是RDD的Transformation和Actions以及Dependency?
- 【Spark】RDD处理程序运行原理解释和它的Transformation和Actions操作详解
- 7.【cocos2d翻译系列】Actions, Transformations and Effects--Composition actions
- 8.【cocos2d翻译系列】Actions, Transformations and Effects--Ease actions
- 9.【cocos2d翻译系列】Actions, Transformations and Effects--Effect actions
- 10.【cocos2d翻译系列】Actions, Transformations and Effects--Special actions
- 【spark RDD】RDD编程
- 数据压缩原理与应用 实验一 彩色空间转换(YUVtoRGB)
- 命令行收发MAIL
- 《机器学习实战(Scala实现)》(二)——k-邻近算法
- 在Git官网上学习基本的Git指令
- 九度OJ-题目1048 判断三角形类型
- Spark RDD Actions&Transformations
- 获取当前时间的时间戳
- Removal Timing Check & Recovery Timing Check
- 使用css画出一个三角形
- GMP和NTL库安装教程
- Linux sqlite3 基本命令
- iFunk,打造轻娱轻奢新概念产品
- 浮点数在计算机中存储方式
- Quartz存储与持久化-基于Spring的配置