Spark笔记：RDD基本操作（上）

本文主要是讲解spark里RDD的基础操作。RDD是spark特有的数据模型，谈到RDD就会提到什么弹性分布式数据集，什么有向无环图，本文暂时不去展开这些高深概念，在阅读本文时候，大家可以就把RDD当作一个数组，这样的理解对我们学习RDD的API是非常有帮助的。本文所有示例代码都是使用scala语言编写的。

　　Spark里的计算都是操作RDD进行，那么学习RDD的第一个问题就是如何构建RDD，构建RDD从数据来源角度分为两类：第一类是从内存里直接读取数据，第二类就是从文件系统里读取，当然这里的文件系统种类很多常见的就是HDFS以及本地文件系统了。

　　第一类方式从内存里构造RDD，使用的方法：makeRDD和parallelize方法，如下代码所示：

/* 使用makeRDD创建RDD */

/* List */

valrdd01=sc.makeRDD(List(1,2,3,4,5,6))

valr01=rdd01.map { x => x * x }

println(r01.collect().mkString(","))

/* Array */

valrdd02=sc.makeRDD(Array(1,2,3,4,5,6))

valr02=rdd02.filter { x => x < 5}

println(r02.collect().mkString(","))

valrdd03=sc.parallelize(List(1,2,3,4,5,6), 1)

valr03=rdd03.map { x => x + 1}

println(r03.collect().mkString(","))

/* Array */

valrdd04=sc.parallelize(List(1,2,3,4,5,6), 1)

valr04=rdd04.filter { x => x > 3}

println(r04.collect().mkString(","))

大家看到了RDD本质就是一个数组，因此构造数据时候使用的是List（链表）和Array（数组）类型。

　　第二类方式是通过文件系统构造RDD，代码如下所示：

valrdd:RDD[String] =sc.textFile("file:///D:/sparkdata.txt", 1)

valr:RDD[String] =rdd.flatMap { x => x.split(",") }

println(r.collect().mkString(","))

　　这里例子使用的是本地文件系统，所以文件路径协议前缀是file://。

　　构造了RDD对象了，接下来就是如何操作RDD对象了，RDD的操作分为转化操作（transformation）和行动操作（action），RDD之所以将操作分成这两类这是和RDD惰性运算有关，当RDD执行转化操作时候，实际计算并没有被执行，只有当RDD执行行动操作时候才会促发计算任务提交，执行相应的计算操作。区别转化操作和行动操作也非常简单，转化操作就是从一个RDD产生一个新的RDD操作，而行动操作就是进行实际的计算。

　　下面是RDD的基础操作API介绍：

操作类型函数名作用

转化操作map()参数是函数，函数应用于RDD每一个元素，返回值是新的RDD

flatMap()参数是函数，函数应用于RDD每一个元素，将元素数据进行拆分，变成迭代器，返回值是新的RDD

filter()参数是函数，函数会过滤掉不符合条件的元素，返回值是新的RDD

distinct()没有参数，将RDD里的元素进行去重操作

union()参数是RDD，生成包含两个RDD所有元素的新RDD

intersection()参数是RDD，求出两个RDD的共同元素

subtract()参数是RDD，将原RDD里和参数RDD里相同的元素去掉

cartesian()参数是RDD，求两个RDD的笛卡儿积

行动操作collect()返回RDD所有元素

count()RDD里元素个数

countByValue()各元素在RDD中出现次数

reduce()并行整合所有RDD数据，例如求和操作

fold(0)(func)和reduce功能一样，不过fold带有初始值

aggregate(0)(seqOp,combop)和reduce功能一样，但是返回的RDD数据类型和原RDD不一样

foreach(func)对RDD每个元素都是使用特定函数

　　下面是以上API操作的示例代码，如下：

　　转化操作：

valrddInt:RDD[Int] =sc.makeRDD(List(1,2,3,4,5,6,2,5,1))

valrddStr:RDD[String] =sc.parallelize(Array("a","b","c","d","b","a"), 1)

valrddFile:RDD[String] =sc.textFile(path, 1)

valrdd01:RDD[Int] =sc.makeRDD(List(1,3,5,3))

valrdd02:RDD[Int] =sc.makeRDD(List(2,4,5,1))

/* map操作 */

println("======map操作======")

println(rddInt.map(x => x + 1).collect().mkString(","))

println("======map操作======")

/* filter操作 */

println("======filter操作======")

println(rddInt.filter(x => x > 4).collect().mkString(","))

println("======filter操作======")

/* flatMap操作 */

println("======flatMap操作======")

println(rddFile.flatMap { x => x.split(",") }.first())

println("======flatMap操作======")

/* distinct去重操作 */

println("======distinct去重======")

println(rddInt.distinct().collect().mkString(","))

println(rddStr.distinct().collect().mkString(","))

println("======distinct去重======")

/* union操作 */

println("======union操作======")

println(rdd01.union(rdd02).collect().mkString(","))

println("======union操作======")

/* intersection操作 */

println("======intersection操作======")

println(rdd01.intersection(rdd02).collect().mkString(","))

println("======intersection操作======")

/* subtract操作 */

println("======subtract操作======")

println(rdd01.subtract(rdd02).collect().mkString(","))

println("======subtract操作======")

/* cartesian操作 */

println("======cartesian操作======")

println(rdd01.cartesian(rdd02).collect().mkString(","))

println("======cartesian操作======")

行动操作代码如下：

valrddInt:RDD[Int] =sc.makeRDD(List(1,2,3,4,5,6,2,5,1))

valrddStr:RDD[String] =sc.parallelize(Array("a","b","c","d","b","a"), 1)

/* count操作 */

println("======count操作======")

println(rddInt.count())

println("======count操作======")  

/* countByValue操作 */

println("======countByValue操作======")

println(rddInt.countByValue())

println("======countByValue操作======")

/* reduce操作 */

println("======countByValue操作======")

println(rddInt.reduce((x ,y) => x + y))

println("======countByValue操作======")

/* fold操作 */

println("======fold操作======")

println(rddInt.fold(0)((x ,y) => x + y))

println("======fold操作======")

/* aggregate操作 */

println("======aggregate操作======")

valres:(Int,Int) =rddInt.aggregate((0,0))((x,y) => (x._1+ x._2,y),(x,y) => (x._1+ x._2,y._1+ y._2))

println(res._1+ ","+ res._2)

println("======aggregate操作======")

/* foeach操作 */

println("======foeach操作======")

println(rddStr.foreach { x => println(x) })

println("======foeach操作======")

　　RDD操作暂时先学习到这里，剩下的内容在下一篇里再谈了，下面我要说说如何开发spark，安装spark的内容我后面会使用专门的文章进行讲解，这里我们假设已经安装好了spark，那么我们就可以在已经装好的spark服务器上使用spark-shell进行与spark交互的shell，这里我们直接可以敲打代码编写spark程序。但是spark-shell毕竟使用太麻烦，而且spark-shell一次只能使用一个用户，当另外一个用户要使用spark-shell就会把前一个用户踢掉，而且shell也没有IDE那种代码补全，代码校验的功能，使用起来很是痛苦。

　　不过spark的确是一个神奇的框架，这里的神奇就是指spark本地开发调试非常简单，本地开发调试不需要任何已经装好的spark系统，我们只需要建立一个项目，这个项目可以是java的也可以是scala，然后我们将spark-assembly-1.6.1-hadoop2.6.0.jar这样的jar放入项目的环境里，这个时候我们就可以在本地开发调试spark程序了。

　　大家请看我们装有scala插件的eclipse里的完整代码：

packagecn.com.sparktest

importorg.apache.spark.SparkConf

importorg.apache.spark.SparkConf

importorg.apache.spark.SparkContext

importorg.apache.spark.rdd.RDD

objectSparkTest {

  valconf:SparkConf =newSparkConf().setAppName("xtq").setMaster("local[2]")

  valsc:SparkContext =newSparkContext(conf)

  /**

   * 创建数据的方式--从内存里构造数据(基础)

   */

  defcreateDataMethod():Unit ={

    /* 使用makeRDD创建RDD */

    /* List */

    valrdd01=sc.makeRDD(List(1,2,3,4,5,6))

    valr01=rdd01.map { x => x * x }

    println("===================createDataMethod:makeRDD:List=====================")

    println(r01.collect().mkString(","))

    println("===================createDataMethod:makeRDD:List=====================")

    /* Array */

    valrdd02=sc.makeRDD(Array(1,2,3,4,5,6))

    valr02=rdd02.filter { x => x < 5}

    println("===================createDataMethod:makeRDD:Array=====================")

    println(r02.collect().mkString(","))

    println("===================createDataMethod:makeRDD:Array=====================")

    /* 使用parallelize创建RDD */

    /* List */

    valrdd03=sc.parallelize(List(1,2,3,4,5,6), 1)

    valr03=rdd03.map { x => x + 1}

    println("===================createDataMethod:parallelize:List=====================")

    println(r03.collect().mkString(","))

    println("===================createDataMethod:parallelize:List=====================")

    /* Array */

    valrdd04=sc.parallelize(List(1,2,3,4,5,6), 1)

    valr04=rdd04.filter { x => x > 3}

    println("===================createDataMethod:parallelize:Array=====================")

    println(r04.collect().mkString(","))

    println("===================createDataMethod:parallelize:Array=====================")

  }

  /**

   * 创建Pair Map

   */

  defcreatePairRDD():Unit ={

    valrdd:RDD[(String,Int)] =sc.makeRDD(List(("key01",1),("key02",2),("key03",3)))

    valr:RDD[String] =rdd.keys

    println("===========================createPairRDD=================================")

    println(r.collect().mkString(","))

    println("===========================createPairRDD=================================")

  }

  /**

   * 通过文件创建RDD

   * 文件数据：

   *    key01,1,2.3

          key02,5,3.7

      key03,23,4.8

      key04,12,3.9

      key05,7,1.3

   */

  defcreateDataFromFile(path:String):Unit ={

    valrdd:RDD[String] =sc.textFile(path, 1)

    valr:RDD[String] =rdd.flatMap { x => x.split(",") }

    println("=========================createDataFromFile==================================")

    println(r.collect().mkString(","))

    println("=========================createDataFromFile==================================")

  }

  /**

   * 基本的RDD操作

   */

  defbasicTransformRDD(path:String):Unit ={

    valrddInt:RDD[Int] =sc.makeRDD(List(1,2,3,4,5,6,2,5,1))

    valrddStr:RDD[String] =sc.parallelize(Array("a","b","c","d","b","a"), 1)

    valrddFile:RDD[String] =sc.textFile(path, 1)

    valrdd01:RDD[Int] =sc.makeRDD(List(1,3,5,3))

    valrdd02:RDD[Int] =sc.makeRDD(List(2,4,5,1))

    /* map操作 */

    println("======map操作======")

    println(rddInt.map(x => x + 1).collect().mkString(","))

    println("======map操作======")

    /* filter操作 */

    println("======filter操作======")

    println(rddInt.filter(x => x > 4).collect().mkString(","))

    println("======filter操作======")

    /* flatMap操作 */

    println("======flatMap操作======")

    println(rddFile.flatMap { x => x.split(",") }.first())

    println("======flatMap操作======")

    /* distinct去重操作 */

    println("======distinct去重======")

    println(rddInt.distinct().collect().mkString(","))

    println(rddStr.distinct().collect().mkString(","))

    println("======distinct去重======")

    /* union操作 */

    println("======union操作======")

    println(rdd01.union(rdd02).collect().mkString(","))

    println("======union操作======")

    /* intersection操作 */

    println("======intersection操作======")

    println(rdd01.intersection(rdd02).collect().mkString(","))

    println("======intersection操作======")

    /* subtract操作 */

    println("======subtract操作======")

    println(rdd01.subtract(rdd02).collect().mkString(","))

    println("======subtract操作======")

    /* cartesian操作 */

    println("======cartesian操作======")

    println(rdd01.cartesian(rdd02).collect().mkString(","))

    println("======cartesian操作======")   

  }

  /**

   * 基本的RDD行动操作

   */

  defbasicActionRDD():Unit ={

    valrddInt:RDD[Int] =sc.makeRDD(List(1,2,3,4,5,6,2,5,1))

    valrddStr:RDD[String] =sc.parallelize(Array("a","b","c","d","b","a"), 1)

    /* count操作 */

    println("======count操作======")

    println(rddInt.count())

    println("======count操作======")  

    /* countByValue操作 */

    println("======countByValue操作======")

    println(rddInt.countByValue())

    println("======countByValue操作======")

    /* reduce操作 */

    println("======countByValue操作======")

    println(rddInt.reduce((x ,y) => x + y))

    println("======countByValue操作======")

    /* fold操作 */

    println("======fold操作======")

    println(rddInt.fold(0)((x ,y) => x + y))

    println("======fold操作======")

    /* aggregate操作 */

    println("======aggregate操作======")

    valres:(Int,Int) =rddInt.aggregate((0,0))((x,y) => (x._1+ x._2,y),(x,y) => (x._1+ x._2,y._1+ y._2))

    println(res._1+ ","+ res._2)

    println("======aggregate操作======")

    /* foeach操作 */

    println("======foeach操作======")

    println(rddStr.foreach { x => println(x) })

    println("======foeach操作======")   

  }

  defmain(args:Array[String]):Unit ={

    println(System.getenv("HADOOP_HOME"))

    createDataMethod()

    createPairRDD()

    createDataFromFile("file:///D:/sparkdata.txt")

    basicTransformRDD("file:///D:/sparkdata.txt")

    basicActionRDD()

    /*打印结果*/

    /*D://hadoop

===================createDataMethod:makeRDD:List=====================

1,4,9,16,25,36

===================createDataMethod:makeRDD:List=====================

===================createDataMethod:makeRDD:Array=====================

1,2,3,4

===================createDataMethod:makeRDD:Array=====================

===================createDataMethod:parallelize:List=====================

2,3,4,5,6,7

===================createDataMethod:parallelize:List=====================

===================createDataMethod:parallelize:Array=====================

4,5,6

===================createDataMethod:parallelize:Array=====================

===========================createPairRDD=================================

key01,key02,key03

===========================createPairRDD=================================

key01,1,2.3,key02,5,3.7,key03,23,4.8,key04,12,3.9,key05,7,1.3

=========================createDataFromFile==================================

2,3,4,5,6,7,3,6,2

======map操作======

======filter操作======

5,6,5

======filter操作======

======flatMap操作======

key01

======flatMap操作======

======distinct去重======

4,6,2,1,3,5

======distinct去重======

======union操作======

1,3,5,3,2,4,5,1

======union操作======

======intersection操作======

1,5

======intersection操作======

======subtract操作======

3,3

======subtract操作======

======cartesian操作======

(1,2),(1,4),(3,2),(3,4),(1,5),(1,1),(3,5),(3,1),(5,2),(5,4),(3,2),(3,4),(5,5),(5,1),(3,5),(3,1)

======cartesian操作======

======count操作======

9

======count操作======

======countByValue操作======

Map(5 -> 2, 1 -> 2, 6 -> 1, 2 -> 2, 3 -> 1, 4 -> 1)

======countByValue操作======

======countByValue操作======

29

======countByValue操作======

======fold操作======

29

======fold操作======

======aggregate操作======

19,10

======aggregate操作======

======foeach操作======

a

b

c

d

b

a

======foeach操作======*/

  }

}

　　Spark执行时候我们需要构造一个SparkContenxt的环境变量，构造环境变量时候需要构造一个SparkConf对象，例如代码：setAppName("xtq").setMaster("local[2]")

　　appName就是spark任务名称，master为local[2]是指使用本地模式，启动2个线程完成spark任务。

　　在eclipse里运行spark程序时候，会报出如下错误：

java.io.IOException:Could not locate executable null\bin\winutils.exe in the Hadoop binaries.

    at org.apache.hadoop.util.Shell.getQualifiedBinPath(Shell.java:355)

    at org.apache.hadoop.util.Shell.getWinUtilsPath(Shell.java:370)

    at org.apache.hadoop.util.Shell.(Shell.java:363)

    at org.apache.hadoop.util.StringUtils.(StringUtils.java:79)

    at org.apache.hadoop.security.Groups.parseStaticMapping(Groups.java:104)

    at org.apache.hadoop.security.Groups.(Groups.java:86)

    at org.apache.hadoop.security.Groups.(Groups.java:66)

    at org.apache.hadoop.security.Groups.getUserToGroupsMappingService(Groups.java:280)

    at org.apache.hadoop.security.UserGroupInformation.initialize(UserGroupInformation.java:271)

    at org.apache.hadoop.security.UserGroupInformation.ensureInitialized(UserGroupInformation.java:248)

    at org.apache.hadoop.security.UserGroupInformation.loginUserFromSubject(UserGroupInformation.java:763)

    at org.apache.hadoop.security.UserGroupInformation.getLoginUser(UserGroupInformation.java:748)

    at org.apache.hadoop.security.UserGroupInformation.getCurrentUser(UserGroupInformation.java:621)

    at org.apache.spark.util.Utils$$anonfun$getCurrentUserName$1.apply(Utils.scala:2160)

    at org.apache.spark.util.Utils$$anonfun$getCurrentUserName$1.apply(Utils.scala:2160)

    at scala.Option.getOrElse(Option.scala:120)

    at org.apache.spark.util.Utils$.getCurrentUserName(Utils.scala:2160)

    at org.apache.spark.SparkContext.(SparkContext.scala:322)

    at cn.com.sparktest.SparkTest$.(SparkTest.scala:10)

    at cn.com.sparktest.SparkTest$.(SparkTest.scala)

    at cn.com.sparktest.SparkTest.main(SparkTest.scala)

　　该错误不会影响程序的运算，但总是让人觉得不舒服，这个问题是因为spark运行依赖于hadoop，可是在window下其实是无法安装hadoop，只能使用cygwin模拟安装，而新版本的hadoop在windows下使用需要使用winutils.exe，解决这个问题很简单，就是下载一个winutils.exe，注意下自己操作系统是32位还是64位，找到对应版本，然后放置在这样的目录下：

　　D:\hadoop\bin\winutils.exe

　　然后再环境变量里定义HADOOP_HOME= D:\hadoop

　　环境变量的改变要重启eclipse，这样环境变量才会生效，这个时候程序运行就不会报出错误了。

作者：Alukar
链接：https://www.jianshu.com/p/7a6004cb854a