文档章节

Spark学习笔记3——RDD(下)

o
 osc_isezqdgg
发布于 2019/09/18 16:31
字数 2445
阅读 8
收藏 0

精选30+云产品,助力企业轻松上云!>>>

Spark学习笔记3——RDD(下)

笔记摘抄自 [美] Holden Karau 等著的《Spark快速大数据分析》

[TOC]

向Spark传递函数

大部分 Spark 的转化操作和一部分行动操作,都需要传递函数后进行计算。如何传递函数下文将用 Java 展示。

Java 向 Spark 传递函数需要实现 Spark 的 org.apache.spark.api.java.function 包中的接口。一些基本的接口如下表:

函数名 实现的方法 用途
Function<T, R> R call(T) 接收一个输入值并返回一个输出值,用于类似map() 和<br/>filter() 等操作中
Function2<T1, T2, R> R call(T1, T2) 接收两个输入值并返回一个输出值,用于类似aggregate()<br/>和fold() 等操作中
FlatMapFunction<T, R> Iterable<R> call(T) 接收一个输入值并返回任意个输出,用于类似flatMap()<br/>这样的操作中

通过匿名内部类

见上篇笔记例程。

通过具名类传递

class ContainsError implements Function<String, Boolean>() {
public Boolean call(String x) { return x.contains("error"); }
}
...
RDD<String> errors = lines.filter(new ContainsError());
  • 使用具名类在程序组织比较庞大是显得比较清晰
  • 可以使用构造函数如“通过带参数的 Java 函数类传递”中所示

通过带参数的 Java 函数类传递

例程

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.Function;

import java.util.List;

public class Contains implements Function<String, Boolean> {
    private String query;

    public Contains(String query) {
        this.query = query;
    }

    public Boolean call(String x) {
        return x.contains(query);
    }

    public static void main(String[] args) {
        SparkConf sc = new SparkConf().setAppName("Contains");
        JavaSparkContext javaSparkContext = new JavaSparkContext(sc);
        JavaRDD<String> log = javaSparkContext.textFile(args[0]);
        
        JavaRDD<String> content = log.filter(new Contains(args[1]));
        
        List<String> contentList = content.collect();
        for (String output : contentList) {
            System.out.println(output);
        }
        javaSparkContext.stop();
    }
}

测试文本 test.txt

this is a test
this is a simple test
this is a simple test about RDD
let us check it out

测试结果

[root@server1 spark-2.4.4-bin-hadoop2.7]# bin/spark-submit --class Contains ~/RDDFuncNamedClass.jar ~/test.txt RDD
...
19/09/16 15:06:50 INFO DAGScheduler: Job 0 finished: collect at Contains.java:24, took 0.445049 s
this is a simple test about RDD
...

通过 lambda 表达式传递(仅限于 Java 8 及以上)

例程

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;

import java.util.List;

public class LambdaTest {
    public static void main(final String[] args) {
        SparkConf sc = new SparkConf().setAppName("Contains");
        JavaSparkContext javaSparkContext = new JavaSparkContext(sc);
        JavaRDD<String> log = javaSparkContext.textFile(args[0]);

        JavaRDD<String> content = log.filter(s -> s.contains(args[1]));

        List<String> contentList = content.collect();
        for (String output : contentList) {
            System.out.println(output);
        }
        javaSparkContext.stop();
    }
}

测试文本

使用上文同一个文本

运行结果

[root@server1 spark-2.4.4-bin-hadoop2.7]# bin/spark-submit --class Contains ~/RDDFuncNamedClass.jar ~/test.txt check
...
19/09/16 15:27:10 INFO DAGScheduler: Job 0 finished: collect at Contains.java:24, took 0.440515 s
let us check it out
...

常见的转化操作和行动操作

Spark 中有不同类型的 RDD,不同的 RDD 可以支持不同的操作。

除了基本的RDD外,还有数字类型的 RDD 支持统计型函数操作、键值对形式的 RDD 支持聚合数据的键值对操作等等。

基本RDD

针对各个元素的转化操作

为了方便,代码在 pyspark 中展示:

# map()
# map() 的返回值类型不需要和输入类型一样
>>> nums = sc.parallelize([1, 2, 3, 4])
>>> squared = nums.map(lambda x: x * x).collect()
>>> for num in squared:
...     print "%i " % (num)
... 
1 
4 
9 
16

# flatMap()
# 给flatMap() 的函数被分别应用到了输入RDD 的每个元素上。
# 返回的是一个返回值序列的迭代器。
# 
>>> lines = sc.parallelize(["hello world", "hi"])
>>> words = lines.flatMap(lambda line: line.split(" "))
>>> words.first()
'hello'

map() 和 flatmap() 区别如下:

RDD中flatmap和map的区别.jpg

伪集合操作

RDD 不算是严格意义上的集合,但是一些类似集合的属性让它能够支持许多集合操作,下图展示了常见的集合操作:

简单的伪集合操作.jpg

此外,RDD 还支持笛卡尔积的操作:

RDD间笛卡尔积的操作.jpg

以下对基本 RDD 的转化操作进行梳理:

  • 单个 RDD {1,2,3,3} 的转化操作
函数名 目的 示例 结果
map() 将函数应用于RDD 中的每个元<br/>素,将返回值构成新的RDD rdd.map(x => x + 1) {2, 3, 4, 4}
flatMap() 将函数应用于RDD 中的每个元<br/>素,将返回的迭代器的所有内<br/>容构成新的RDD。通常用来切<br/>分单词 rdd.flatMap(x => x.to(3)) {1, 2, 3, 2, 3, 3, 3}
filter() 返回一个由通过传给filter()<br/>的函数的元素组成的RDD rdd.filter(x => x != 1) {2, 3, 3}
distinct() 去重 rdd.distinct() {1, 2, 3}
sample(withReplacement, fraction, [seed]) 对RDD 采样,以及是否替换 rdd.sample(false, 0.5) 非确定的
  • 两个 RDD {1,2,3},{3,4,5}的 RDD 的转化操作
函数名 目的 示例 结果
union() 生成一个包含两个RDD 中所有元<br/>素的RDD rdd.union(other) {1, 2, 3, 3, 4, 5}
intersection() 求两个RDD 共同的元素的RDD rdd.intersection(other) {3}
subtract() 移除一个RDD 中的内容(例如移<br/>除训练数据) rdd.subtract(other) {1, 2}
cartesian() 与另一个RDD 的笛卡儿积 rdd.cartesian(other) {(1, 3), (1, 4), ...<br/>(3, 5)}

行动操作

reduce() 与 reduceByKey()

例程[^1]

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;

import scala.Tuple2;

import java.util.Arrays;
import java.util.List;

public class SimpleReduce {
    public static void main(String[] args) {
        SparkConf sc = new SparkConf().setAppName("Contains");
        JavaSparkContext javaSparkContext = new JavaSparkContext(sc);
        List<Integer> data = Arrays.asList(1, 2, 3, 4, 5);
        JavaRDD<Integer> originRDD = javaSparkContext.parallelize(data);

        Integer sum = originRDD.reduce((a, b) -> a + b);
        System.out.println(sum);

        //reduceByKey,按照相同的key进行reduce操作
        List<String> list = Arrays.asList("key1", "key1", "key2", "key2", "key3");
        JavaRDD<String> stringRDD = javaSparkContext.parallelize(list);
        //转为key-value形式
        JavaPairRDD<String, Integer> pairRDD = stringRDD.mapToPair(k -> new Tuple2<>(k, 1));
        List list1 = pairRDD.reduceByKey((x, y) -> x + y).collect();
        System.out.println(list1);
    }

}

运行结果

...
19/09/17 17:08:37 INFO DAGScheduler: Job 0 finished: reduce at SimpleReduce.java:21, took 0.480038 s
15
...
19/09/17 17:08:38 INFO DAGScheduler: Job 1 finished: collect at SimpleReduce.java:29, took 0.237601 s
[(key3,1), (key1,2), (key2,2)]
...

aggregate()[^2]

例程

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.Function2;

import java.io.Serializable;
import java.util.Arrays;
import java.util.List;

public class AvgCount implements Serializable {
    private AvgCount(int total, int num) {
        this.total = total;
        this.num = num;
    }
    private int total;
    private int num;
    private double avg() {
        return total / (double) num;
    }

    public static void main(String[] args) {
        SparkConf sc = new SparkConf().setAppName("Contains");
        JavaSparkContext javaSparkContext = new JavaSparkContext(sc);
        List<Integer> data = Arrays.asList(1, 2, 3, 4, 5);
        JavaRDD<Integer> rdd = javaSparkContext.parallelize(data);
        AvgCount initial = new AvgCount(0, 0);
        Function2<AvgCount, Integer, AvgCount> addAndCount =
                new Function2<AvgCount, Integer, AvgCount>() {
                    public AvgCount call(AvgCount a, Integer x) {
                        a.total += x;
                        a.num += 1;
                        return a;
                    }
                };
        Function2<AvgCount, AvgCount, AvgCount> combine =
                new Function2<AvgCount, AvgCount, AvgCount>() {
                    public AvgCount call(AvgCount a, AvgCount b) {
                        a.total += b.total;
                        a.num += b.num;
                        return a;
                    }
                };
        AvgCount result = rdd.aggregate(initial, addAndCount, combine);
        System.out.println(result.avg());
    }
}

运行结果

[root@server1 spark-2.4.4-bin-hadoop2.7]# bin/spark-submit --class AvgCount ~/Spark_RDD_Aggregate.jar
...
19/09/18 15:28:19 INFO DAGScheduler: Job 0 finished: aggregate at AvgCount.java:43, took 0.517385 s
3.0
...

常用的行动操作整理

函数名 目的 示例 结果
collect() 返回RDD 中的所有元素 rdd.collect() {1, 2, 3, 3}
count() RDD 中的元素个数 rdd.count() 4
countByValue() 各元素在RDD 中出现的次数 rdd.countByValue() {(1, 1),<br/>(2, 1),<br/>(3, 2)}
take(num) 从RDD 中返回num 个元素 rdd.take(2) {1, 2}
top(num) 从RDD 中返回最前面的num<br/>个元素 rdd.top(2) {3, 3}
takeOrdered(num)<br/>(ordering) 从RDD 中按照提供的顺序返<br/>回最前面的num 个元素 rdd.takeOrdered(2)(myOrdering) {3, 3}
takeSample(withReplace<br/>ment, num, [seed]) 从RDD 中返回任意一些元素 rdd.takeSample(false, 1) 非确定的
reduce(func) 并行整合RDD 中所有数据<br/>(例如sum) rdd.reduce((x, y) => x + y) 9
fold(zero)(func) 和reduce() 一样, 但是需要<br/>提供初始值 rdd.fold(0)((x, y) => x + y) 9
aggregate(zeroValue)<br/>(seqOp, combOp) 和reduce() 相似, 但是通常<br/>返回不同类型的函数 rdd.aggregate((0, 0))<br/>((x, y) =><br/>(x._1 + y, x._2 + 1),<br/>(x, y) =><br/>(x._1 + y._1, x._2 + y._2)) (9,4)
foreach(func) 对RDD 中的每个元素使用给<br/>定的函数 rdd.foreach(func)

不同 RDD 的类型转换

Spark 中有些函数只能作用于特定类型的 RDD。例如 mean() 和 variance() 只能处理数值 RDD,join() 只能用于处理键值对 RDD。在 Scala 和 Java 中都没有与之对应的标准 RDD 类,故使用这些函数时必须要确保获得了正确的专用 RDD 类。(Scala 为隐式转换)

下表为 Java 中针对专门类型的函数接口:

函数名 等价函数 用途
DoubleFlatMapFunction<T> Function<T, Iterable<Double>> 用于flatMapToDouble,以<br/>生成DoubleRDD
DoubleFunction<T> Function<T, Double> 用于mapToDouble,以生成<br/>DoubleRDD
PairFlatMapFunction<T, K, V> Function<T, Iterable<Tuple2<K, V>>> 用于flatMapToPair,以生<br/>成PairRDD<K, V>
PairFunction<T, K, V> Function<T, Tuple2<K, V>> 用于mapToPair, 以生成<br/>PairRDD<K, V>

例程

以 DoubleFunction 为例:

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaDoubleRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.DoubleFunction;

import java.util.Arrays;

public class DoubleRDD {
    public static void main(String[] args) {
        SparkConf sparkConf=new SparkConf().setAppName("DoubleRDD");
        JavaSparkContext javaSparkContext=new JavaSparkContext(sparkConf);
        JavaRDD<Integer> rdd = javaSparkContext.parallelize(Arrays.asList(1, 2, 3, 4));
        JavaDoubleRDD result = rdd.mapToDouble(
                new DoubleFunction<Integer>() {
                    public double call(Integer x) {
                        return (double) x * x;
                    }
                });
        System.out.println(result.mean());
    }
}

运行结果

[root@server1 spark-2.4.4-bin-hadoop2.7]# bin/spark-submit --class DoubleRDD ~/Spark_RDD_DoubleRDD.jar
...
19/09/18 16:09:38 INFO DAGScheduler: Job 0 finished: mean at DoubleRDD.java:20, took 0.500705 s
7.5
...

持久化

为了避免多次计算同一个 RDD,我们常常对数据进行持久化处理。具体操作可以参见上一节例程。

Tips:

  • 在Scala 和Java 中,默认情况下 persist() 会把数据以序列化的形式缓存在JVM 的堆空间中
  • 在Python 中,我们会始终序列化要持久化存储的数据,所以持久化级别默认值就是以序列化后的对象存储在JVM 堆空间中
  • 当我们把数据写到磁盘或者堆外存储上时,也总是使用序列化后的数据
  • 缓存的数据太多,内存中放不下,Spark 会自动利用最近最少使用(LRU)的缓存策略把最老的分区从内存中移除
  • unpersist() 可以手动把持久化的RDD 从缓存中移除

持久化级别

级  别 使用的<br/>空间 CPU<br/>时间 是否在<br/>内存中 是否在<br/>磁盘上 备注
MEMORY_ONLY
MEMORY_ONLY_SER
MEMORY_AND_DISK 中等 部分 部分 如果数据在内存中放不下,则溢写到磁盘上
MEMORY_AND_DISK_SER 部分 部分 如果数据在内存中放不下,则溢写到磁盘上。在内存中存放序列化后的数据
DISK_ONLY

P.s.

可以通过在存储级别的末尾加上“_2”来把持久化数据存为两份


[^1]: 摘自天涯泪小武 的博客 [^2]: fold() 和 reduce() 不同的是,需要再加上一个“初始值”来作为每个分区第一次调用时的结果;aggregate() 和 前两者不同的是,返回值类型可以和 RDD 的类型不一致

o
粉丝 0
博文 500
码字总数 0
作品 0
私信 提问
加载中
请先登录后再评论。
【Spark】Sparkstreaming-共享变量-缓存RDD-到底是什么情况?

Sparkstreaming-共享变量-缓存RDD-到底是什么情况? sparkstreaming 多个 rdd百度搜索 Spark Streaming中空RDD处理及流处理程序优雅的停止 - xuanlin的专栏 - 博客园 spark 两个rdd 合并百度...

osc_qvqynsub
2018/01/11
5
0
Spark快速入门(72集视频+源码+笔记)

Spark快速入门(72集视频+源码+笔记) 1、什么是Spark? Apache Spark是专为大规模数据处理而设计的快速通用的计算引擎。Spark是UC Berkeley AMP lab (加州大学伯克利分校的AMP实验室)所开源...

好程序员
2019/11/23
0
0
好程序员大数据教程分享Spark快速入门(72集视频+源码+笔记)

好程序员大数据教程分享Spark快速入门(72集视频+源码+笔记) 什么是Spark? Apache Spark是专为大规模数据处理而设计的快速通用的计算引擎。Spark是UC Berkeley AMP lab (加州大学伯克利分校...

好程序员官网
2019/11/23
10
0
Spark学习笔记0——简单了解和技术架构

Spark学习笔记0——简单了解和技术架构 笔记摘抄自 [美] Holden Karau 等著的《Spark快速大数据分析》 [TOC] 什么是Spark Spark 是一个用来实现快速而通用的集群计算的平台。 扩展了广泛使用...

osc_qzrqhs9y
2019/09/10
3
0
Spark学习笔记2——RDD(上)

Spark学习笔记2——RDD(上) 笔记摘抄自 [美] Holden Karau 等著的《Spark快速大数据分析》 [TOC] RDD是什么? 弹性分布式数据集(Resilient Distributed Dataset,简称 RDD) Spark 的核心...

osc_qzrqhs9y
2019/09/10
6
0

没有更多内容

加载失败,请刷新页面

加载更多

阻塞锁,非阻塞锁,自旋锁,互斥锁

1.阻塞锁 多个线程同时调用同一个方法的时候,所有线程都被排队处理了。让线程进入阻塞状态进行等待,当获得相应的信号(唤醒,时间) 时,才可以进入线程的准备就绪状态,准备就绪状态的所有...

osc_umiwij2c
3分钟前
0
0
Asp.NetCore3.1 WebApi中模型验证

前言   不管是前端,还是后端,做数据合法性验证是避免不了的,这边文章就记录一下Asp.NetCore3.1 WebApi中的模型验证; 传统写法--不使用模型验证   来,先上图:   我相信,应该绝大...

osc_qgfjs4a5
4分钟前
0
0
龙芯开源社区上线.NET主页

龙芯团队从2019年7 月份开始着手.NET Core的MIPS64支持研发,经过将近一年的研发,在2020年6月18日完成了里程碑性的工作,在github CoreCLR 仓库:https://github.com/gsvm/coreclr, 随后受...

osc_bj12kvua
5分钟前
0
0
高并发下浏览量入库设计

一、背景 文章浏览量统计,low的做法是:用户每次浏览,前端会发送一个GET请求获取一篇文章详情时,会把这篇文章的浏览量+1,存进数据库里。 1.1 这么做,有几个问题: 在GET请求的业务逻辑里...

osc_uj3h5gt9
6分钟前
0
0
nginx timeout 配置 全局timeout 局部timeout web timeout

nginx比较强大,可以针对单个域名请求做出单个连接超时的配置. 比如些动态解释和静态解释可以根据业务的需求配置 proxy_connect_timeout :后端服务器连接的超时时间_发起握手等候响应超时时间...

osc_5cok9i01
7分钟前
0
0

没有更多内容

加载失败,请刷新页面

加载更多

返回顶部
顶部