spark中RDD算子的示例分析

這篇文章主要介紹了spark中RDD算子的示例分析，具有一定借鑒價值，感興趣的朋友可以參考下，希望大家閱讀完這篇文章之后大有收獲，下面讓小編帶著大家一起了解一下。

Value型Transformation算子

處理數據類型為Value型的Transformation算子可以根據RDD變換算子的輸入分區與輸出分區關系分為以下幾種類型。

1）輸入分區與輸出分區一對一型。

2）輸入分區與輸出分區多對一型。

3）輸入分區與輸出分區多對多型。

4）輸出分區為輸入分區子集型。

5）還有一種特殊的輸入與輸出分區一對一的算子類型：Cache型。Cache算子對RDD分區進行緩存。

這里的對應指的是分區依賴的對應

1．輸入分區與輸出分區一對一型

（1）map(func)

map是對RDD中的每個元素都執行一個指定的函數來產生一個新的RDD，新RDD叫作MappedRDD(this, sc.clean(f))。任何原RDD中的元素在新RDD中都有且只有一個元素與之對應。

圖3-4中的每個方框表示一個RDD分區，左側的分區經過用戶自定義函數f:T->U映射為右側的新的RDD分區。但是實際只有等到Action算子觸發后，這個f函數才會和其他函數在一個Stage中對數據進行運算。V1輸入f轉換輸出V’1。

（2）flatMap(func)

類似于map，但是每一個輸入元素，會被映射為0到多個輸出元素（因此，func函數的返回值是一個Seq，而不是單一元素）。內部創建 FlatMappedRDD(this, sc.clean(f))。

圖3-5中小方框表示RDD的一個分區，對分區進行flatMap函數操作，flatMap中傳入的函數為f:T->U，T和U可以是任意的數據類型。將分區中的數據通過用戶自定義函數f轉換為新的數據。外部大方框可以認為是一個RDD分區，小方框代表一個集合。V1、V2、V3在一個集合作為RDD的一個數據項，轉換為V’1、V’2、V’3后，將結合拆散，形成為RDD中的數據項。

（3）mapPartitions(func)

mapPartitions是map的一個變種。map的輸入函數是應用于RDD中每個元素，而mapPartitions的輸入函數是應用于每個分區，也就是把每個分區中的內容作為整體來處理的。

mapPartitions函數獲取到每個分區的迭代器，在函數中通過這個分區整體的迭代器對整個分區的元素進行操作。內部實現是生成MapPartitionsRDD。圖3-6中的方框代表一個RDD分區。

圖3-6中，用戶通過函數f (iter )=>iter.filter(_>=3)對分區中的所有數據進行過濾，>=3的數據保留。一個方塊代表一個RDD分區，含有1、2、3的分區過濾只剩下元素3。

（4）glom()

glom函數將每個分區形成一個數組，內部實現是返回的GlommedRDD。圖3-7中的每個方框代表一個RDD分區。

圖3-7中的方框代表一個分區。該圖表示含有V1、V2、V3的分區通過函數glom形成一個數組Array[(V1),(V2),(V3)]。

2．輸入分區與輸出分區多對一型

（1）union(otherDataset)

使用union函數時需要保證兩個RDD元素的數據類型相同，返回的RDD數據類型和被合并的RDD元素數據類型相同，并不進行去重操作，保存所有元素。如果想去重，可以使用distinct()。++符號相當于uion函數操作。

圖3-8中左側的大方框代表兩個RDD，大方框內的小方框代表RDD的分區。右側大方框代表合并后的RDD，大方框內的小方框代表分區。含有V1，V2…U4的RDD和含有V1，V8…U8的RDD合并所有元素形成一個RDD。V1、V1、V2、V8形成一個分區，其他元素同理進行合并。

（2）cartesian(otherDataset)

對兩個RDD內的所有元素進行笛卡爾積操作。操作后，內部實現返回CartesianRDD。

左側的大方框代表兩個RDD，大方框內的小方框代表RDD的分區。右側大方框代表合并后的RDD，大方框內的小方框代表分區。大方框代表RDD，大方框中的小方框代表RDD分區。 例如，V1和另一個RDD中的W1、 W2、 Q5進行笛卡爾積運算形成（V1，W1）、（V1，W2）、（V1，Q5）。

3．輸入分區與輸出分區多對多型

groupBy (func)

將元素通過函數生成相應的Key，數據就轉化為Key-Value格式，之后將Key相同的元素分為一組。
圖中，方框代表一個RDD分區，相同key的元素合并到一個組。 例如，V1，V2合并為一個Key-Value對，其中key為“ V” ，Value為“ V1，V2” ，形成V，Seq（V1，V2）。

4．輸出分區為輸入分區子集型

（1）filter(func)

filter的功能是對元素進行過濾，對每個元素應用f函數，返回值為true的元素在RDD中保留，返回為false的將過濾掉。內部實現相當于生成FilteredRDD(this，sc.clean(f))。
圖3-11中的每個方框代表一個RDD分區。T可以是任意的類型。通過用戶自定義的過濾函數f，對每個數據項進行操作，將滿足條件，返回結果為true的數據項保留。例如，過濾掉V2、V3保留了V1，將區分命名為V1'。

（2）distinct([numTasks]))

distinct將RDD中的元素進行去重操作。圖3-12中的方框代表RDD分區。

圖3-12中的每個方框代表一個分區，通過distinct函數，將數據去重。例如，重復數據V1、V1去重后只保留一份V1。

（3）subtract(other, numPartitions=None)

subtract相當于進行集合的差操作，RDD 1去除RDD 1和RDD 2交集中的所有元素。

圖3-13中左側的大方框代表兩個RDD，大方框內的小方框代表RDD的分區。右側大方框代表合并后的RDD，大方框內的小方框代表分區。V1在兩個RDD中均有，根據差集運算規則，新RDD不保留，V2在第一個RDD有，第二個RDD沒有，則在新RDD元素中包含V2。

（4）sample(withReplacement, fraction, seed=None)

sample將RDD這個集合內的元素進行采樣，獲取所有元素的子集。用戶可以設定是否有放回的抽樣、百分比、隨機種子，進而決定采樣方式。

內部實現是生成SampledRDD(withReplacement, fraction, seed)。

函數參數設置如下。

withReplacement=true，表示有放回的抽樣；

withReplacement=false，表示無放回的抽樣。

圖3-14中的每個方框是一個RDD分區。通過sample函數，采樣50%的數據。V1、V2、U1、U2、U3、U4采樣出數據V1和U1、U2，形成新的RDD。

（5）takeSample(withReplacement, num, seed=None)

takeSample()函數和上面的sample函數是一個原理，但是不使用相對比例采樣，而是按設定的采樣個數進行采樣，同時返回結果不再是RDD，而是相當于對采樣后的數據進行Collect()，返回結果的集合為單機的數組。

圖3-15中左側的方框代表分布式的各個節點上的分區，右側方框代表單機上返回的結果數組。通過takeSample對數據采樣，設置為采樣一份數據，返回結果為V1。

5．Cache型

（1）cache

cache將RDD元素從磁盤緩存到內存，相當于persist(MEMORY_ONLY)函數的功能。圖3-14中的方框代表RDD分區。

圖3-16中的每個方框代表一個RDD分區，左側相當于數據分區都存儲在磁盤，通過cache算子將數據緩存在內存。

（2）persist(storageLevel=StorageLevel(False, True, False, False, 1))

persist函數對RDD進行緩存操作。數據緩存在哪里由StorageLevel枚舉類型確定。有以下幾種類型的組合（見圖3-15），DISK代表磁盤，MEMORY代表內存，SER代表數據是否進行序列化存儲。

下面為函數定義，StorageLevel是枚舉類型，代表存儲模式，用戶可以通過圖3-17按需選擇。

圖3-17中列出persist函數可以緩存的模式。例如，MEMORY_AND_DISK_SER代表數據可以存儲在內存和磁盤，并且以序列化的方式存儲。其他同理。圖中，方框代表RDD分區。 disk代表存儲在磁盤，mem代表存儲在內存。 數據最初全部存儲在磁盤，通過persist（MEMORY_AND_DISK）將數據緩存到內存，但是有的分區無法容納在內存，例如：圖3-18中將含有V1，V2，V3的RDD存儲到磁盤，將含有U1，U2的RDD仍舊存儲在內存。

感謝你能夠認真閱讀完這篇文章，希望小編分享的“spark中RDD算子的示例分析”這篇文章對大家有幫助，同時也希望大家多多支持億速云，關注億速云行業資訊頻道，更多相關知識等著你來學習!