419 lines
18 KiB
Markdown
419 lines
18 KiB
Markdown
# Transformation 和 Action 常用算子
|
||
|
||
<nav>
|
||
<a href="#一Transformation">一、Transformation</a><br/>
|
||
<a href="#11-map">1.1 map</a><br/>
|
||
<a href="#12-filter">1.2 filter</a><br/>
|
||
<a href="#13-flatMap">1.3 flatMap</a><br/>
|
||
<a href="#14-mapPartitions">1.4 mapPartitions</a><br/>
|
||
<a href="#15-mapPartitionsWithIndex">1.5 mapPartitionsWithIndex</a><br/>
|
||
<a href="#16-sample">1.6 sample</a><br/>
|
||
<a href="#17-union">1.7 union</a><br/>
|
||
<a href="#18-intersection">1.8 intersection</a><br/>
|
||
<a href="#19-distinct">1.9 distinct</a><br/>
|
||
<a href="#110-groupByKey">1.10 groupByKey</a><br/>
|
||
<a href="#111-reduceByKey">1.11 reduceByKey</a><br/>
|
||
<a href="#112-sortBy--sortByKey">1.12 sortBy & sortByKey </a><br/>
|
||
<a href="#113-join">1.13 join</a><br/>
|
||
<a href="#114-cogroup">1.14 cogroup</a><br/>
|
||
<a href="#115-cartesian">1.15 cartesian</a><br/>
|
||
<a href="#116-aggregateByKey">1.16 aggregateByKey</a><br/>
|
||
<a href="#二Action">二、Action</a><br/>
|
||
<a href="#21-reduce">2.1 reduce</a><br/>
|
||
<a href="#22-takeOrdered">2.2 takeOrdered</a><br/>
|
||
<a href="#23-countByKey">2.3 countByKey</a><br/>
|
||
<a href="#24-saveAsTextFile">2.4 saveAsTextFile</a><br/>
|
||
</nav>
|
||
|
||
## 一、Transformation
|
||
|
||
spark 常用的 Transformation 算子如下表：
|
||
|
||
| Transformation 算子 | Meaning（含义） |
|
||
| ------------------------------------------------------------ | ------------------------------------------------------------ |
|
||
| **map**(*func*) | 对原 RDD 中每个元素运用 *func* 函数，并生成新的 RDD |
|
||
| **filter**(*func*) | 对原 RDD 中每个元素使用*func* 函数进行过滤，并生成新的 RDD |
|
||
| **flatMap**(*func*) | 与 map 类似，但是每一个输入的 item 被映射成 0 个或多个输出的 items（ *func* 返回类型需要为 Seq ）。 |
|
||
| **mapPartitions**(*func*) | 与 map 类似，但函数单独在 RDD 的每个分区上运行， *func*函数的类型为 Iterator\<T> => Iterator\<U> ，其中 T 是 RDD 的类型，即 RDD[T] |
|
||
| **mapPartitionsWithIndex**(*func*) | 与 mapPartitions 类似，但 *func* 类型为 (Int, Iterator\<T>) => Iterator\<U> ，其中第一个参数为分区索引 |
|
||
| **sample**(*withReplacement*, *fraction*, *seed*) | 数据采样，有三个可选参数：设置是否放回（withReplacement）、采样的百分比（*fraction*）、随机数生成器的种子（seed）； |
|
||
| **union**(*otherDataset*) | 合并两个 RDD |
|
||
| **intersection**(*otherDataset*) | 求两个 RDD 的交集 |
|
||
| **distinct**([*numTasks*])) | 去重 |
|
||
| **groupByKey**([*numTasks*]) | 按照 key 值进行分区，即在一个 (K, V) 对的 dataset 上调用时，返回一个 (K, Iterable\<V>) <br/>**Note:** 如果分组是为了在每一个 key 上执行聚合操作（例如，sum 或 average)，此时使用 `reduceByKey` 或 `aggregateByKey` 性能会更好<br>**Note:** 默认情况下，并行度取决于父 RDD 的分区数。可以传入 `numTasks` 参数进行修改。 |
|
||
| **reduceByKey**(*func*, [*numTasks*]) | 按照 key 值进行分组，并对分组后的数据执行归约操作。 |
|
||
| **aggregateByKey**(*zeroValue*,*numPartitions*)(*seqOp*, *combOp*, [*numTasks*]) | 当调用（K，V）对的数据集时，返回（K，U）对的数据集，其中使用给定的组合函数和 zeroValue 聚合每个键的值。与 groupByKey 类似，reduce 任务的数量可通过第二个参数进行配置。 |
|
||
| **sortByKey**([*ascending*], [*numTasks*]) | 按照 key 进行排序，其中的 key 需要实现 Ordered 特质，即可比较 |
|
||
| **join**(*otherDataset*, [*numTasks*]) | 在一个 (K, V) 和 (K, W) 类型的 dataset 上调用时，返回一个 (K, (V, W)) pairs 的 dataset，等价于内连接操作。如果想要执行外连接，可以使用 `leftOuterJoin`, `rightOuterJoin` 和 `fullOuterJoin` 等算子。 |
|
||
| **cogroup**(*otherDataset*, [*numTasks*]) | 在一个 (K, V) 对的 dataset 上调用时，返回一个 (K, (Iterable\<V>, Iterable\<W>)) tuples 的 dataset。 |
|
||
| **cartesian**(*otherDataset*) | 在一个 T 和 U 类型的 dataset 上调用时，返回一个 (T, U) 类型的 dataset（即笛卡尔积）。 |
|
||
| **coalesce**(*numPartitions*) | 将 RDD 中的分区数减少为 numPartitions。 |
|
||
| **repartition**(*numPartitions*) | 随机重新调整 RDD 中的数据以创建更多或更少的分区，并在它们之间进行平衡。 |
|
||
| **repartitionAndSortWithinPartitions**(*partitioner*) | 根据给定的 partitioner（分区器）对 RDD 进行重新分区，并对分区中的数据按照 key 值进行排序。这比调用 `repartition` 然后再 sorting（排序）效率更高，因为它可以将排序过程推送到 shuffle 操作所在的机器。 |
|
||
|
||
下面分别给出这些算子的基本使用示例：
|
||
|
||
### 1.1 map
|
||
|
||
```scala
|
||
val list = List(1,2,3)
|
||
sc.parallelize(list).map(_ * 10).foreach(println)
|
||
|
||
// 输出结果： 10 20 30 （这里为了节省篇幅去掉了换行,后文亦同）
|
||
```
|
||
|
||
### 1.2 filter
|
||
|
||
```scala
|
||
val list = List(3, 6, 9, 10, 12, 21)
|
||
sc.parallelize(list).filter(_ >= 10).foreach(println)
|
||
|
||
// 输出： 10 12 21
|
||
```
|
||
|
||
### 1.3 flatMap
|
||
|
||
`flatMap(func)` 与 `map` 类似，但每一个输入的 item 会被映射成 0 个或多个输出的 items（ *func* 返回类型需要为 `Seq`）。
|
||
|
||
```scala
|
||
val list = List(List(1, 2), List(3), List(), List(4, 5))
|
||
sc.parallelize(list).flatMap(_.toList).map(_ * 10).foreach(println)
|
||
|
||
// 输出结果 ： 10 20 30 40 50
|
||
```
|
||
|
||
flatMap 这个算子在日志分析中使用概率非常高，这里进行一下演示：拆分输入的每行数据为单个单词，并赋值为 1，代表出现一次，之后按照单词分组并统计其出现总次数，代码如下：
|
||
|
||
```scala
|
||
val lines = List("spark flume spark",
|
||
"hadoop flume hive")
|
||
sc.parallelize(lines).flatMap(line => line.split(" ")).
|
||
map(word=>(word,1)).reduceByKey(_+_).foreach(println)
|
||
|
||
// 输出：
|
||
(spark,2)
|
||
(hive,1)
|
||
(hadoop,1)
|
||
(flume,2)
|
||
```
|
||
|
||
### 1.4 mapPartitions
|
||
|
||
与 map 类似，但函数单独在 RDD 的每个分区上运行， *func*函数的类型为 `Iterator<T> => Iterator<U>` (其中 T 是 RDD 的类型)，即输入和输出都必须是可迭代类型。
|
||
|
||
```scala
|
||
val list = List(1, 2, 3, 4, 5, 6)
|
||
sc.parallelize(list, 3).mapPartitions(iterator => {
|
||
val buffer = new ListBuffer[Int]
|
||
while (iterator.hasNext) {
|
||
buffer.append(iterator.next() * 100)
|
||
}
|
||
buffer.toIterator
|
||
}).foreach(println)
|
||
//输出结果
|
||
100 200 300 400 500 600
|
||
```
|
||
|
||
### 1.5 mapPartitionsWithIndex
|
||
|
||
与 mapPartitions 类似，但 *func* 类型为 `(Int, Iterator<T>) => Iterator<U>` ，其中第一个参数为分区索引。
|
||
|
||
```scala
|
||
val list = List(1, 2, 3, 4, 5, 6)
|
||
sc.parallelize(list, 3).mapPartitionsWithIndex((index, iterator) => {
|
||
val buffer = new ListBuffer[String]
|
||
while (iterator.hasNext) {
|
||
buffer.append(index + "分区:" + iterator.next() * 100)
|
||
}
|
||
buffer.toIterator
|
||
}).foreach(println)
|
||
//输出
|
||
0 分区:100
|
||
0 分区:200
|
||
1 分区:300
|
||
1 分区:400
|
||
2 分区:500
|
||
2 分区:600
|
||
```
|
||
|
||
### 1.6 sample
|
||
|
||
数据采样。有三个可选参数：设置是否放回 (withReplacement)、采样的百分比 (fraction)、随机数生成器的种子 (seed) ：
|
||
|
||
```scala
|
||
val list = List(1, 2, 3, 4, 5, 6)
|
||
sc.parallelize(list).sample(withReplacement = false, fraction = 0.5).foreach(println)
|
||
```
|
||
|
||
### 1.7 union
|
||
|
||
合并两个 RDD：
|
||
|
||
```scala
|
||
val list1 = List(1, 2, 3)
|
||
val list2 = List(4, 5, 6)
|
||
sc.parallelize(list1).union(sc.parallelize(list2)).foreach(println)
|
||
// 输出: 1 2 3 4 5 6
|
||
```
|
||
|
||
### 1.8 intersection
|
||
|
||
求两个 RDD 的交集：
|
||
|
||
```scala
|
||
val list1 = List(1, 2, 3, 4, 5)
|
||
val list2 = List(4, 5, 6)
|
||
sc.parallelize(list1).intersection(sc.parallelize(list2)).foreach(println)
|
||
// 输出: 4 5
|
||
```
|
||
|
||
### 1.9 distinct
|
||
|
||
去重：
|
||
|
||
```scala
|
||
val list = List(1, 2, 2, 4, 4)
|
||
sc.parallelize(list).distinct().foreach(println)
|
||
// 输出: 4 1 2
|
||
```
|
||
|
||
### 1.10 groupByKey
|
||
|
||
按照键进行分组：
|
||
|
||
```scala
|
||
val list = List(("hadoop", 2), ("spark", 3), ("spark", 5), ("storm", 6), ("hadoop", 2))
|
||
sc.parallelize(list).groupByKey().map(x => (x._1, x._2.toList)).foreach(println)
|
||
|
||
//输出：
|
||
(spark,List(3, 5))
|
||
(hadoop,List(2, 2))
|
||
(storm,List(6))
|
||
```
|
||
|
||
### 1.11 reduceByKey
|
||
|
||
按照键进行归约操作：
|
||
|
||
```scala
|
||
val list = List(("hadoop", 2), ("spark", 3), ("spark", 5), ("storm", 6), ("hadoop", 2))
|
||
sc.parallelize(list).reduceByKey(_ + _).foreach(println)
|
||
|
||
//输出
|
||
(spark,8)
|
||
(hadoop,4)
|
||
(storm,6)
|
||
```
|
||
|
||
### 1.12 sortBy & sortByKey
|
||
|
||
按照键进行排序：
|
||
|
||
```scala
|
||
val list01 = List((100, "hadoop"), (90, "spark"), (120, "storm"))
|
||
sc.parallelize(list01).sortByKey(ascending = false).foreach(println)
|
||
// 输出
|
||
(120,storm)
|
||
(90,spark)
|
||
(100,hadoop)
|
||
```
|
||
|
||
按照指定元素进行排序：
|
||
|
||
```scala
|
||
val list02 = List(("hadoop",100), ("spark",90), ("storm",120))
|
||
sc.parallelize(list02).sortBy(x=>x._2,ascending=false).foreach(println)
|
||
// 输出
|
||
(storm,120)
|
||
(hadoop,100)
|
||
(spark,90)
|
||
```
|
||
|
||
### 1.13 join
|
||
|
||
在一个 (K, V) 和 (K, W) 类型的 Dataset 上调用时，返回一个 (K, (V, W)) 的 Dataset，等价于内连接操作。如果想要执行外连接，可以使用 `leftOuterJoin`, `rightOuterJoin` 和 `fullOuterJoin` 等算子。
|
||
|
||
```scala
|
||
val list01 = List((1, "student01"), (2, "student02"), (3, "student03"))
|
||
val list02 = List((1, "teacher01"), (2, "teacher02"), (3, "teacher03"))
|
||
sc.parallelize(list01).join(sc.parallelize(list02)).foreach(println)
|
||
|
||
// 输出
|
||
(1,(student01,teacher01))
|
||
(3,(student03,teacher03))
|
||
(2,(student02,teacher02))
|
||
```
|
||
|
||
### 1.14 cogroup
|
||
|
||
在一个 (K, V) 对的 Dataset 上调用时，返回多个类型为 (K, (Iterable\<V>, Iterable\<W>)) 的元组所组成的 Dataset。
|
||
|
||
```scala
|
||
val list01 = List((1, "a"),(1, "a"), (2, "b"), (3, "e"))
|
||
val list02 = List((1, "A"), (2, "B"), (3, "E"))
|
||
val list03 = List((1, "[ab]"), (2, "[bB]"), (3, "eE"),(3, "eE"))
|
||
sc.parallelize(list01).cogroup(sc.parallelize(list02),sc.parallelize(list03)).foreach(println)
|
||
|
||
// 输出： 同一个 RDD 中的元素先按照 key 进行分组，然后再对不同 RDD 中的元素按照 key 进行分组
|
||
(1,(CompactBuffer(a, a),CompactBuffer(A),CompactBuffer([ab])))
|
||
(3,(CompactBuffer(e),CompactBuffer(E),CompactBuffer(eE, eE)))
|
||
(2,(CompactBuffer(b),CompactBuffer(B),CompactBuffer([bB])))
|
||
|
||
```
|
||
|
||
### 1.15 cartesian
|
||
|
||
计算笛卡尔积：
|
||
|
||
```scala
|
||
val list1 = List("A", "B", "C")
|
||
val list2 = List(1, 2, 3)
|
||
sc.parallelize(list1).cartesian(sc.parallelize(list2)).foreach(println)
|
||
|
||
//输出笛卡尔积
|
||
(A,1)
|
||
(A,2)
|
||
(A,3)
|
||
(B,1)
|
||
(B,2)
|
||
(B,3)
|
||
(C,1)
|
||
(C,2)
|
||
(C,3)
|
||
```
|
||
|
||
### 1.16 aggregateByKey
|
||
|
||
当调用（K，V）对的数据集时，返回（K，U）对的数据集，其中使用给定的组合函数和 zeroValue 聚合每个键的值。与 `groupByKey` 类似，reduce 任务的数量可通过第二个参数 `numPartitions` 进行配置。示例如下：
|
||
|
||
```scala
|
||
// 为了清晰，以下所有参数均使用具名传参
|
||
val list = List(("hadoop", 3), ("hadoop", 2), ("spark", 4), ("spark", 3), ("storm", 6), ("storm", 8))
|
||
sc.parallelize(list,numSlices = 2).aggregateByKey(zeroValue = 0,numPartitions = 3)(
|
||
seqOp = math.max(_, _),
|
||
combOp = _ + _
|
||
).collect.foreach(println)
|
||
//输出结果：
|
||
(hadoop,3)
|
||
(storm,8)
|
||
(spark,7)
|
||
```
|
||
|
||
这里使用了 `numSlices = 2` 指定 aggregateByKey 父操作 parallelize 的分区数量为 2，其执行流程如下：
|
||
|
||
<div align="center"> <img src="../pictures/spark-aggregateByKey.png"/> </div>
|
||
|
||
基于同样的执行流程，如果 `numSlices = 1`，则意味着只有输入一个分区，则其最后一步 combOp 相当于是无效的，执行结果为：
|
||
|
||
```properties
|
||
(hadoop,3)
|
||
(storm,8)
|
||
(spark,4)
|
||
```
|
||
|
||
同样的，如果每个单词对一个分区，即 `numSlices = 6`，此时相当于求和操作，执行结果为：
|
||
|
||
```properties
|
||
(hadoop,5)
|
||
(storm,14)
|
||
(spark,7)
|
||
```
|
||
|
||
`aggregateByKey(zeroValue = 0,numPartitions = 3)` 的第二个参数 `numPartitions` 决定的是输出 RDD 的分区数量，想要验证这个问题，可以对上面代码进行改写，使用 `getNumPartitions` 方法获取分区数量：
|
||
|
||
```scala
|
||
sc.parallelize(list,numSlices = 6).aggregateByKey(zeroValue = 0,numPartitions = 3)(
|
||
seqOp = math.max(_, _),
|
||
combOp = _ + _
|
||
).getNumPartitions
|
||
```
|
||
|
||
<div align="center"> <img src="../pictures/spark-getpartnum.png"/> </div>
|
||
|
||
## 二、Action
|
||
|
||
Spark 常用的 Action 算子如下：
|
||
|
||
| Action（动作） | Meaning（含义） |
|
||
| -------------------------------------------------- | ------------------------------------------------------------ |
|
||
| **reduce**(*func*) | 使用函数*func*执行归约操作 |
|
||
| **collect**() | 以一个 array 数组的形式返回 dataset 的所有元素，适用于小结果集。 |
|
||
| **count**() | 返回 dataset 中元素的个数。 |
|
||
| **first**() | 返回 dataset 中的第一个元素，等价于 take(1)。 |
|
||
| **take**(*n*) | 将数据集中的前 *n* 个元素作为一个 array 数组返回。 |
|
||
| **takeSample**(*withReplacement*, *num*, [*seed*]) | 对一个 dataset 进行随机抽样 |
|
||
| **takeOrdered**(*n*, *[ordering]*) | 按自然顺序（natural order）或自定义比较器（custom comparator）排序后返回前 *n* 个元素。只适用于小结果集，因为所有数据都会被加载到驱动程序的内存中进行排序。 |
|
||
| **saveAsTextFile**(*path*) | 将 dataset 中的元素以文本文件的形式写入本地文件系统、HDFS 或其它 Hadoop 支持的文件系统中。Spark 将对每个元素调用 toString 方法，将元素转换为文本文件中的一行记录。 |
|
||
| **saveAsSequenceFile**(*path*) | 将 dataset 中的元素以 Hadoop SequenceFile 的形式写入到本地文件系统、HDFS 或其它 Hadoop 支持的文件系统中。该操作要求 RDD 中的元素需要实现 Hadoop 的 Writable 接口。对于 Scala 语言而言，它可以将 Spark 中的基本数据类型自动隐式转换为对应 Writable 类型。(目前仅支持 Java and Scala) |
|
||
| **saveAsObjectFile**(*path*) | 使用 Java 序列化后存储，可以使用 `SparkContext.objectFile()` 进行加载。(目前仅支持 Java and Scala) |
|
||
| **countByKey**() | 计算每个键出现的次数。 |
|
||
| **foreach**(*func*) | 遍历 RDD 中每个元素，并对其执行*fun*函数 |
|
||
|
||
### 2.1 reduce
|
||
|
||
使用函数*func*执行归约操作：
|
||
|
||
```scala
|
||
val list = List(1, 2, 3, 4, 5)
|
||
sc.parallelize(list).reduce((x, y) => x + y)
|
||
sc.parallelize(list).reduce(_ + _)
|
||
|
||
// 输出 15
|
||
```
|
||
|
||
### 2.2 takeOrdered
|
||
|
||
按自然顺序（natural order）或自定义比较器（custom comparator）排序后返回前 *n* 个元素。需要注意的是 `takeOrdered` 使用隐式参数进行隐式转换，以下为其源码。所以在使用自定义排序时，需要继承 `Ordering[T]` 实现自定义比较器，然后将其作为隐式参数引入。
|
||
|
||
```scala
|
||
def takeOrdered(num: Int)(implicit ord: Ordering[T]): Array[T] = withScope {
|
||
.........
|
||
}
|
||
```
|
||
|
||
自定义规则排序：
|
||
|
||
```scala
|
||
// 继承 Ordering[T],实现自定义比较器，按照 value 值的长度进行排序
|
||
class CustomOrdering extends Ordering[(Int, String)] {
|
||
override def compare(x: (Int, String), y: (Int, String)): Int
|
||
= if (x._2.length > y._2.length) 1 else -1
|
||
}
|
||
|
||
val list = List((1, "hadoop"), (1, "storm"), (1, "azkaban"), (1, "hive"))
|
||
// 引入隐式默认值
|
||
implicit val implicitOrdering = new CustomOrdering
|
||
sc.parallelize(list).takeOrdered(5)
|
||
|
||
// 输出： Array((1,hive), (1,storm), (1,hadoop), (1,azkaban)
|
||
```
|
||
|
||
### 2.3 countByKey
|
||
|
||
计算每个键出现的次数：
|
||
|
||
```scala
|
||
val list = List(("hadoop", 10), ("hadoop", 10), ("storm", 3), ("storm", 3), ("azkaban", 1))
|
||
sc.parallelize(list).countByKey()
|
||
|
||
// 输出： Map(hadoop -> 2, storm -> 2, azkaban -> 1)
|
||
```
|
||
|
||
### 2.4 saveAsTextFile
|
||
|
||
将 dataset 中的元素以文本文件的形式写入本地文件系统、HDFS 或其它 Hadoop 支持的文件系统中。Spark 将对每个元素调用 toString 方法，将元素转换为文本文件中的一行记录。
|
||
|
||
```scala
|
||
val list = List(("hadoop", 10), ("hadoop", 10), ("storm", 3), ("storm", 3), ("azkaban", 1))
|
||
sc.parallelize(list).saveAsTextFile("/usr/file/temp")
|
||
```
|
||
|
||
|
||
|
||
|
||
|
||
## 参考资料
|
||
|
||
[RDD Programming Guide](http://spark.apache.org/docs/latest/rdd-programming-guide.html#rdd-programming-guide)
|
||
|