Spark scala 操作

基本操作

1. 创建RDD

var data = Array(1,2,3,4) //数组

var distData = sc.parallelize(data,3) //创建RDD

distData.collect //收集展示

distData.take(1) //取出第一行/数组中一个数据占一行

2. 读取文件数据

var distFile = sc.textFile("data.txt")//按行读
distFile.take(1)  //取出一行数据

//也可以同时读取多个文件，相当于多个文件拼接
//读取整个目录下的所有文件
//读取含有通配符的目录
textFile("/input/*.txt")

3. map操作，指定一个函数产生新的RDD,元素直接是一对一的关系。

var rdd1 = sc.parallelize(1 to 9,3)
var rdd2 = rdd1.map(x=>x*2)
rdd2.collect
res1: Array[Int] = Array(2, 4, 6, 8, 10, 12, 14, 16, 18)

4. filter对RDD进行过滤，返回过滤后的RDD

var rdd3 = rdd2.filter(x=>x>10)
rdd3.collect
res5: Array[Int] = Array(12, 14, 16, 18)

5. flatmap是一个一对多的map

 var rdd4 = rdd3.flatMap(x=>x to 20)
rdd4: org.apache.spark.rdd.RDD[Int] = MapPartitionsRDD[6] at flatMap at <console>:30

scala> rdd4.collect
res6: Array[Int] = Array(12, 13, 14, 15, 16, 17, 18, 19, 20, 14, 15, 16, 17, 18, 19, 20, 16, 17, 18, 19, 20, 18, 19, 20)

6. sample产生随机数组

var a = sc.parallelize(1 to 1000,3)
a.sample(false,0.1,0)
a.sample(false,0.1,0).count()

第一个参数是是否放回抽样，比例，随机种子

7. 交集与并集

rdd1.union(rdd2)
rdd1.intersection(rdd2)

8. 去重

distinct

9. 分组groupbykey

val rdd0 = sc.parallelize(Array((1,1),(1,2),(2,3)))
val rdd11 = rdd0.groupByKey()
rdd11.collect

10. reduceByKey

是数据分组聚合操作，在一个key的数据集上使用
val rdd0 = sc.parallelize(Array((1,1),(1,2),(2,3),(2,1),(2,2),(2,3),3))
var rd,d = rdd0.reduceByKey((x,y)=>x+y)
rdd.collect
(1,6)(2,6)

11. combineByKey数据集合并

val data = Array((1,1.0),(1,2.0),(1,3.0),(2,4.0))