请选择 进入手机版 | 继续访问电脑版

好程序员-千锋教育旗下高端IT职业教育品牌

400-811-9990
我的账户
好程序员

专注高端IT职业培训

亲爱的猿猿,欢迎!

已有账号,请

如尚未注册?

[BigData] 好程序员大数据培训分享弹性分布式数据集RDD

[复制链接]
叶子老师 发表于 2019-8-21 14:55:32 | 显示全部楼层 |阅读模式 打印 上一主题 下一主题
  好程序员大数据培训分享弹性分布式数据集RDDRDD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
  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TRDD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TRDD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)RDD上调用,返回一个(K, Iterator[V])RDD
reduceByKey(func, [numTasks])
在一个(K,V)RDD上调用,返回一个(K,V)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)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)RDD
sortBy(func,[ascending], [numTasks])
sortByKey类似,但是更灵活
join(otherDataset, [numTasks])
在类型为(K,V)(K,W)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))RDD
cogroup(otherDataset, [numTasks])
在类型为(K,V)(K,W)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RDD
Linux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
  • ")
  •     val sc: SparkContext = new SparkContext(conf)
        //通过并行化生成rdd
        val rdd1: RDD[Int] = sc.parallelize(List(24,56,3,2,1))
        //对add1的每个元素乘以2然后排序
        val rdd2: RDD[Int] = rdd1.map(_ * 2).sortBy(x => x,true)
        println(rdd2.collect().toBuffer)
        //过滤出大于等于10的元素
    //    val rdd3: RDD[Int] = rdd2.filter(_ >= 10)
    //    println(rdd3.collect().toBuffer)
      }
    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)
    //求交集
    val rdd4 = rdd1.intersection(rdd2)
    //去重
    rdd3.distinct.collect
    rdd4.collect
    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join
    val 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.collect
    val rdd3 = rdd1.rightOuterJoin(rdd2)
    rdd3.collect
    //求并集
    val rdd4 = rdd1 union rdd2
    //按key进行分组
    rdd4.groupByKey
    rdd4.collect
    //分别用groupByKey和reduceByKey实现单词计数
    val rdd3 = rdd1 union rdd2
    rdd3.groupByKey().mapValues(_.sum).collect
    rdd3.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
    图片1.png
    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)))
    //cogroup
    val rdd3 = rdd1.cogroup(rdd2)
    //注意cogroup与groupByKey的区别
    rdd3.collect
    val rdd1 = sc.parallelize(List(1, 2, 3, 4, 5))
    //reduce聚合
    val rdd2 = rdd1.reduce(_ + _)
    //按value的降序排序
    val rdd5 = rdd4.map(t => (t._2, t._1)).sortByKey(false).map(t => (t._2, t._1))
    rdd5.collect
    //笛卡尔积
    val rdd3 = rdd1.cartesian(rdd2)
    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
    scala> rdd1.count
    res0: Long = 7  
    top先升序排序在取值
    scala> rdd1.top(3)
    res1: Array[Int] = Array(7, 5, 4)                                               
    scala> rdd1.top(0)
    res2: Array[Int] = Array()
    scala> rdd1.top(100)
    res3: Array[Int] = Array(7, 5, 4, 3, 3, 2, 1)
    take原集合前N个,有几个取几个
    scala> rdd1.take(3)
    res4: Array[Int] = Array(2, 3, 1)
    scala> rdd1.take(100)
    res5: Array[Int] = Array(2, 3, 1, 5, 7, 3, 4)
    scala> rdd1.first
    res6: Int = 2
    takeordered倒序排序再取值
    scala> rdd1.takeOrdered(3)
    res7: Array[Int] = Array(1, 2, 3)
    scala> rdd1.takeOrdered(30)
    res8: Array[Int] = Array(1, 2, 3, 3, 4, 5, 7)
                                 
    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
    scala> rdd1.partitions.length  //获取分区数
    res9: Int = 2
    scala> val rdd1 = sc.parallelize(List(1,2,3,5),3)
    rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[6] at parallelize at <console>:27
    scala> rdd1.partitions.length
    res10: Int = 3
    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
    scala> rdd2.collect  //调用算子得到RDD显示结果
    res11: Array[(String, Int)] = Array((hello,6), (beijing,1), (java,1), (gp1808,1), (world,1), (good,1), (qianfeng,1))
    scala> val rdd2 =  sc.textFile("hdfs://hadoop01:9000/wordcount/input/a.txt",4).flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_)
    rdd2: org.apache.spark.rdd.RDD[(String, Int)] = ShuffledRDD[26] at reduceByKey at <console>:27
    scala> rdd2.partitions.length    //也可以自己指定分区数
    res15: Int = 4
    好程序员大数据培训官网:http://www.goodprogrammer.org/

    精彩内容,一键分享给更多人!
    回复

    使用道具 举报

    您需要登录后才可以回帖

    本版积分规则

    关注我们
    好程序员
    千锋好程序员

    北京校区(总部):北京市海淀区宝盛北里西区28号中关村智诚科创大厦

    深圳西部硅谷校区:深圳市宝安区宝安大道5010号深圳西部硅谷B座A区605-619

    杭州龙驰智慧谷校区:浙江省杭州市下沙经济技术开发区元成路199号龙驰智慧谷B座7层

    郑州校区:郑州市二七区航海中路60号海为科技园C区10层、12层

    Copyright 2007-2019 北京千锋互联科技有限公司 .All Right

    京ICP备12003911号-5 京公安网11010802011455号

    请您保持通讯畅通1对1咨询马上开启