一、RDD算子补充
1、mapPartitions
mapPartitions的输入函数作用于每个分区， 也就是把每个分区中的内容作为整体来处理。 （map是把每一行）
mapPartitions一次处理一个分区的所有数据，而map算子一次处理分区中的一条数据，所以mapPartitions处理数据的速度比map快，如果RDD分区的数据很庞大，用mapPartitions容易造成内存溢出，
如果RDD分区数据量小，从而提升速度的角度考虑，可以使用mapPartitions算子。
JAVA实现：
scala实现：
2、mapPartitionsWithIndex
mapPartitionsWithIndex方法与mapPartitions方法功能类似
不同的是mapPartitionsWithIndex还会对原始分区的索引进行 追踪， 这样就能知道分区所对应的元素 。 方法的参数为一个函数， 函数的输入为整型索引和迭代器。
JAVA实现：
public static void mapPartitionsWithIndex(){
SparkConf conf=new SparkConf().setAppName("mapPartitionsWithIndex").setMaster("local");
JavaSparkContext sc=new JavaSparkContext(conf);
//模拟数据并创建初始RDD
JavaRDD<String> datas = sc.parallelize(Arrays.asList("张三","李四","李思","李斯"),2);
JavaRDD<String> result = datas.mapPartitionsWithIndex(new Function2<Integer, Iterator<String>, Iterator<String>>() {
/**
*
*/
private static final long serialVersionUID = 1L;
public Iterator<String> call(Integer index, Iterator<String> datass) throws Exception {
// TODO Auto-generated method stub
ArrayList<String> arrayList = new ArrayList<String>();
while(datass.hasNext()){
String info="第"+index+"分区的数据："+datass.next();
arrayList.add(info);
}
return arrayList.iterator();
}
}, false);
List<String> collect = result.collect();
for(String a:collect){
System.out.println(a);
}
sc.close();
}
scala实现：
def mapPartitionsWithIndex: Unit ={
val conf=new SparkConf().setAppName("cogroup").setMaster("local")
val sc=new SparkContext(conf)
val a=sc.parallelize(Array("liu","zhao","wang","li"),2)
val result=a.mapPartitionsWithIndex((x,y)=>{
val arraybuffer=ArrayBuffer[String]()
while(y.hasNext){
val info=x+" "+y.next()
arraybuffer+=info
}
arraybuffer.iterator
})
result.foreach(x=>{
println(x)
})
sc.stop()
}
3、mapValues运算
可以针对RDD内每一组(key,value)进行运算， 并且产生另外一个RDD。
例如： 将每一组（ key,value） 的value进行平方运算
kvRDD1.mapValues(x => x*x).collect
4、union
union方法（ 等价于“＋＋”） 是将两个RDD取并集， 取并集的过程中不 会把相同元素去掉。 union操作是输入分区与输出分区多对一模式。
scala实现：
def union: Unit ={
val conf=new SparkConf().setAppName("union").setMaster("local")
val sc=new SparkContext(conf)
val rdd1=sc.parallelize(Array((1,2),(2,3),(3,4)))
val rdd2=sc.parallelize(Array((1,2),(4,3),(5,4)))
val result=rdd1.union(rdd2)
result.foreach(x=>{
println(x._1+" "+x._2)
})
sc.stop()
}
结果：
1 2
2 3
3 4
1 2
4 3
5 4
5、distinct
distinct方法是将RDD中重复的元素去掉， 只留下唯一的RDD元素。
6、intersection交集运算
intersection方法可以获取两个RDD中相同的数据
def intersection: Unit ={
val conf=new SparkConf().setAppName("intersection").setMaster("local")
val sc=new SparkContext(conf)
val rdd1=sc.parallelize(Array((1,2),(2,3),(3,4)))
val rdd2=sc.parallelize(Array((1,2),(4,3),(5,4)))
val result=rdd1.intersection(rdd2).foreach(x=>{
println(x._1+" "+x._2)})
sc.stop()
}
7、subtract差集运算
intRDD1.subtract(intRDD2).collect()
intRDD1是List(3,1,2,5,5)， 扣除intRDD2 List(5,6)重复的部分5， 所 以结果是(1,2,3)
//把rdd1 rdd2中的相同项，从rdd1中去除掉
def subtract: Unit ={ val conf=new SparkConf().setAppName("intersection").setMaster("local") val sc=new SparkContext(conf) val rdd1=sc.parallelize(Array((1,2),(2,3),(3,4))) val rdd2=sc.parallelize(Array((1,2),(4,3),(5,4))) rdd1.subtract(rdd2).foreach(x=>{ println(x._1+" "+x._2)}) sc.stop() }
8、aggregateByKey
reduceByKey认为是aggregateByKey的简化版
aggregateByKey最重要的一点是， 多提供了一个函数， Seq Function
可以控制如何对每个partition中的数据进行先聚合， 类似于mapreduce中的map-side combine， 然后才是对所有partition中的数据进行全局聚合
aggregateByKey， 分为三个参数：
第一个参数是， 每个key的初始值
第二个是个函数， Seq Function， 如何进行shuffle map-side的本地聚合
第三个是个函数， Combiner Function， 如何进行shuffle reduce-side的全局聚合
Java实现：
scala实现：
//在调用aggregateByKey算子时，第二、三两个参数时（这两个参数传入的是函数），运用柯里化的方式，不需要给函数传参
def aggregateByKey: Unit ={
val conf=new SparkConf().setAppName("aggregateByKey").setMaster("local")
val sc=new SparkContext(conf)
val lines=sc.textFile("file:///home/hadoop/product.txt")
def seq(num1:Int,num2:Int):Int={
num1+num2
}
def comb(num1:Int,num2:Int):Int={
num1+num2
}
lines.map(x=>(x,1)).aggregateByKey(0)(seq,comb).foreach(x=>{
println(x._1+" "+x._2)
})
}
9、cartesian
cartesian， 中文名笛卡尔乘积
比如说两个RDD， 分别有10条数据， 用了cartesian算子以后，两个RDD的每一条数据都会和另外一个RDD的每一条数据执行一次join，最终组成了一个笛卡尔乘积
def cartesian: Unit ={
val conf=new SparkConf().setAppName("cartesian").setMaster("local")
val sc=new SparkContext(conf)
val rdd1=sc.parallelize(Array((1,2),(2,3),(3,4)))
val rdd2=sc.parallelize(Array((1,2),(4,3),(5,4)))
rdd1.cartesian(rdd2).foreach(x=>{
println(x._1+" "+x._2)
})
}
(1,2) (1,2)
(1,2) (4,3)
(1,2) (5,4)
(2,3) (1,2)
(2,3) (4,3)
(2,3) (5,4)
(3,4) (1,2)
(3,4) (4,3)
(3,4) (5,4)
10、coalesce
coalesce算子， 功能是将RDD的partition缩减， 将一定量的数据压缩到更少的partition中去。建议的使用场景， 配合filter算子使用
使用filter算子过滤掉很多数据以后， 比如30%的数据， 出现了很多partition中的数据不均匀的情况
此时建议使用coalesce算子， 压缩rdd的partition数量， 从而让各个partition中的数 据都更加的紧凑
缺点：只能减少分区数，不能增加分区数
11、repartition
repartition算子， 用于任意将rdd的partition增多或者减少
与coalesce不同之处在于， coalesce仅仅能将rdd的partition变少， 但是 repartition可以将rdd的partiton变多
一个很经典的场景， 使用Spark SQL从hive中查询数据时 Spark SQL会根据hive对应的hdfs文件的block数量来决定加载出来的数据rdd 中有多少个partition，这里的partition数量， 是我们根本无法
设置的
有时候可能自动设置的partition数量过少， 导致我们后面的算子的运行特别慢 此时就可以在Spark SQL加载hive数据到rdd之后， 立即使用repartition算子， 将rdd的partition数量变多
def repartition: Unit ={
val conf=new SparkConf().setAppName("cartesian").setMaster("local")
val sc=new SparkContext(conf)
val a=sc.parallelize(Array("liu","zhao","wang","li","lll","aa"),3)
val result=a.coalesce(2)//通过 coalesce减少分区
// val result=a.repartition(4) 通过repartition增加 或者减少分区数
result.mapPartitionsWithIndex((x,y)=>{
val arr=ArrayBuffer[String]()
while(y.hasNext){
val info=x+" "+y.next()
arr+=info
}
arr.iterator
}).foreach(x=>println(x))
}
补充：1、map:一次处理分区中的一条数据
mapPartitions:一次处理分区中的所有数据
mapPartitionsWithIndex:一次处理分区中的所有数据 ,并且返回分区的索引，索引从0开始
注意：如果RDD分区中的数据体量比较大，用mapPartitions或者mapPartitionsWithIndex进行计算，有可能出现内存溢出（OOM）
如果RDD分区数据体量比较小，此时为了提高数据计算的效率，可以使用mapPartitions或mapPartitionsWithIndex进行计算