传送门
Spark实战系列之一--Spark是什么
Spark实战系列之二--什么是RDD以及RDD的常用API
Spark实战系列之三--RDD编程基础上
Spark实战系列之四--RDD编程基础下
Spark实战系列之五--键值对RDD
Spark实战系列之六--数据读写
Spark实战系列之七--综合案例
Spark基础系列之八--Spark SQL是什么
Spark基础系列之九--使用Spark SQL读写数据库
传送门
一、前言
用Spark有一段时间了，但是感觉还是停留在表面，对于Spark的RDD的理解还是停留在概念上，即只知道它是个弹性分布式数据集，其他的一概不知。
下面记录下我对RDD的新的理解。
- spark编程都是对RDD操作，不管是集合还是其他数据，都要转换成rdd
- Spark中的RDD就是一个不可变的分布式对象集合(所以RDD只读，只能新建不能修改)，每个RDD都被分为多个分区，这些分区运行在集群中的不同节点上。
- 用户可以使用两种方法创建RDD：读取一个外部数据集，或在驱动器程序里分发驱动器程序中的对象集合（比如 list 和 set）。创建出来之后，RDD支持两种类型的操作：转化操作（transformation）和行动操作（action）。转化操作会由一个RDD生成一个新的RDD，比如 filter() 函数。行动操作会对RDD计算出一个结果，并把结果返回到驱动器程序中，或把结果存储到外部存储系统（如HDFS）中，比如 first() 函数。
- 如果，你对于当前的函数无法判断是转化操作还是行动操作时，你可以看该函数的返回值是什么，如果是一个RDD，那么该函数就是一个转化操作，如果是其他的数据类型，那么该函数就是一个行动操作。
二、常用API
1）有关转化操作的API
filter()函数
这个API的作用是挑选出包含 error 的内容。注意，filter()操作不会改变已有的 inputRDD 中的数据。实际上，该操作会返回一个全新的RDD。
errorsRDD =inputRDD.filter(lambda x: "error" in x)
#或者
def hasError(line):
return 'error' in line
errorsRDD = inputRDD.filter(hasError)
union()函数
这个API的作用是计算两个RDD的并集。如果两个RDD之间有重复的元素，那么在新生成的RDD中也会包含重复的元素。
errorsRDD = inputRDD.filter(lambda line : "error" in line)
warningRDD = inputRDD.filter(lambda line : "warning" in line)
badLinesRDD = errorsRDD.union(warningRDD)
intersection()函数
这个API的作用是计算两个RDD的交集。该API在运行时也会去掉所有重复的元素（单个RDD内的重复元素也会一起移除）。尽管intersection()与union()的概念相似，intersection()的性能却要差很多，因为它需要通过网络混洗数据来发现共有的元素。
inputRDD = sc.parallelize([1,2,3,4,5,6,7,8,9])
a = inputRDD.filter(lambda x : x % 2 == 0) # 2,4,6,8
b = inputRDD.filter(lambda x : x > 5) # 6,7,8,9
c = a.intersection(b) # 8,6
subtract()函数
这个API的作用是计算两个RDD的差集，即返回一个由只存在于第一个RDD中而不存在与第二个RDD中的所有元素组成的RDD。和intersection()一样，该API也需要进行数据混洗。
inputRDD = sc.parallelize([1,2,3,4,5,6,7,8,9])
a = inputRDD.filter(lambda x : x % 2 == 0) # 2,4,6,8
b = inputRDD.filter(lambda x : x > 5) # 6,7,8,9
c = a.subtract(b) # 2,4
cartesian()函数
这个API的作用是计算两个RDD的笛卡尔积。该API转化操作会返回所有可能的（a，b）对，其中a是源RDD中的元素，而b则是来自另一个RDD。笛卡尔积在我们希望考虑所有可能的组合的相似度时比较有用，比如计算各用户对各种产品的预期兴趣程度。我们也可以求一个RDD与其自身的笛卡尔积，这可以用于求用户相似度的应用中。不过要特别注意的是，求大规模RDD的笛卡尔积开销巨大。
inputRDD = sc.parallelize([1,2,3,4,5,6,7,8,9])
a=sc.parallelize(['a','b','c','d'])
b = inputRDD.filter(lambda x : x > 5) # 6,7,8,9
c = a.cartesian(b)
# output
[('a', 6), ('a', 7), ('a', 8), ('a', 9), ('b', 6), ('b', 7), ('b', 8), ('b', 9), ('c', 6), ('c', 7), ('c', 8), ('c', 9), ('d', 6), ('d', 7), ('d', 8), ('d', 9)]
map()函数
这个API的作用是遍历inputRDD中所有的元素，然后返回的新的RDD中的元素是原来的两倍。
doubleRDD = inputRDD.map(lambda x: x * 2)
flatMap()函数
这个API的作用是被应用到输入inputRDD中每个元素上，不过返回的不是一个一个元素，而是一个返回值序列的迭代器。输出的RDD倒不是由迭代器组成的。我们得到的是一个包含各个迭代器可访问的所有元素的RDD。
inputRDD = sc.parallelize(['i love you', 'hello world'])
outputRDD = inputRDD.flatMap(lambda x: x.split(' '))
print outputRDD.count() # 5
distinct()函数
这个API的作用是来生成一个只包含不同元素的新RDD。不过由于该操作需要对所有数据通过网络进行混洗（shuffle），所有这个操作非常消耗时间。
inputRDD = sc.parallelize([2,4,3,1,2,3,3,2,1,3,4,2,3,1,4])
distinctRDD = inputRDD.distinct()
dictinctRDD.collect() # 1,2,3,4
sample()函数
这个API的作用是来随机采集RDD中的数据，第一个参数表示RDD中的元素是否可以被重复采集，如果True，那么表示可以重复采集。第二个参数是元素是否被采集的概率，取值范围必须是 [0,1]
inputRDD = sc.parallelize([1,2,3,4,5,6,7,8,9,0])
sampleRDD = inputRDD.sample(False, 0.5)
# 2,3,4,9
sampleRDD = inputRDD.sample(True, 0.5)
# 1,2,2,6,6,6
reduceByKey()函数
这个API的作用是来合并具有相同键的值。
inputRDD = sc.parallelize([(1,2),(3,4),(3,6)])
outputRDD = inputRDD.reduceByKey(lambda x,y: x+y)
# output
[(1, 2), (3, 10)]
groupByKey()函数
这个API的作用是对具有相同键的值进行分组。
inputRDD = sc.parallelize([(1,2),(3,4),(3,6)])
outputRDD = inputRDD.groupByKey(lambda x,y: x+y)
# {(1, [2]), (3,[4,6])}
for (i,j) in outputRDD.collect():
for item in j:
print item
# output item
<pyspark.resultiterable.ResultIterable object at 0x110a7ec90>
2
<pyspark.resultiterable.ResultIterable object at 0x110a7ed50>
4
6
mapValues()函数
这个API的作用是对具有相同键的值进行分组。
inputRDD = sc.parallelize([(1,2),(3,4),(3,6)])
outputRDD = inputRDD.mapValues(lambda x: x+1)
# {(1, [2]), (3,[4,6])}
for (i,j) in outputRDD.collect():
for item in j:
print item
# output item
<pyspark.resultiterable.ResultIterable object at 0x110a7ec90>
2
<pyspark.resultiterable.ResultIterable object at 0x110a7ed50>
4
6
keys()函数
这个API的作用是返回一个仅包含键的RDD。
inputRDD = sc.parallelize([(1,2),(3,4),(3,6)])
outputRDD = inputRDD.keys()
# output
[1,3,3]
values()函数
这个API的作用是返回一个仅包含值的RDD。
inputRDD = sc.parallelize([(1,2),(3,4),(3,6)])
outputRDD = inputRDD.values()
# output
[2,4,6]
sortByKey()函数
这个API的作用是返回一个根据键排序的RDD。
inputRDD = sc.parallelize([(11,2),(13,4),(3,6)])
outputRDD = inputRDD.sortByKey()
# output
[(3,6),(11,2),(13,4)]
combineByKey(createCombiner, mergeValue, mergeCombiners, partitioner)函数
要理解combineByKey()，要先理解它在处理数据时是如何处理每个元素的。由于combineByKey()会遍历分区中的所有的元素，因此每个元素的键要么还没有遇到过，要么就和之前的某个元素的键相同。
如果这是一个新的元素，combineByKey()会使用一个叫作createCombiner()的函数来创建那个键对应的累加器的初始值。需要注意的是，这一过程会在每个分区中第一次出现各个键时发生，而不是在整个RDD中第一次出现一个键时发生。
如果这是一个在处理当前分区之前已经遇到的值，它会使用mergeValue()方法将该键的累加器对应的当前值与这个新的值进行合并。
由于每个分区都是独立处理的，因此对于同一个键可以有多个累加器，如果有两个或者更多的分区都有对应同一个键的累加器，就需要使用用户提供的mergeCombiners()方法将各个分区的结果进行合并。
inputRDD = sc.parallelize([(1,2),(3,4),(3,6)])
outputRDD = inputRDD.combineByKey(
(lambda x: (x, 1)),
(lambda x, y: (x[0] + y, x[1] + 1)),
(lambda x, y: (x[0] + y[0], x[1] + y[1]))
)
# output
{[(1, (2, 1)), (3, (10, 2))]}
2）有关行动操作的API
top()函数
这个API的作用是返回inputRDD最前面的K个元素，返回的数据类型是一个list，长度是K。
outputdata = inputRDD.top(10)
for line in outputdata:
print line
take()函数
这个API的作用是返回inputRDD中的K个元素，返回的数据类型是一个list，长度是K。
outputdata = inputRDD.take(10)
for line in outputdata:
print line
first()函数
这个API的作用是返回inputRDD最前面的元素，返回的数据类型是一个字符串，编码是Unicode编码。
inputRDD.first()
collect()函数
这个API的作用是返回inputRDD中所有的元素，返回的数据类型是一个list。注意，这个API只能在小数据上面使用，如果数据量太大，非常消耗时间和内存。
outputdata = inputRDD.collect()
for line in outputdata:
print line
count()函数
这个API的作用是返回inputRDD中元素的个数。
len = inputRDD.count()
print len
reduce()函数
这个API的作用是接收一个函数作为参数，这个函数要操作两个RDD的元素类型的数据并返回一个同样类型的新元素。
inputRDD = sc.parallelize([1,2,3,4,5,6,7,8,9])
output = inputRDD.reduce(lambda x,y : x+y)
# output
45
takeSample(withReplacement, num, seed = None)函数
这个API的作用是返回一个指定长度的子集。如果 withReplacement 是True，那么返回的元素可以是重复采集的。
inputRDD = sc.parallelize(range(10))
output = inputRDD.takeSample(True, 20)
# output
[8, 5, 5, 7, 7, 6, 3, 1, 0, 7, 5, 5, 4, 3, 3, 4, 8, 2, 7, 4]
output = inputRDD.takeSample(False, 5)
# output
[2, 9, 7, 8, 0]
countByValue()函数
这个API的作用是计算各元素在RDD中出现的次数。
inputRDD = sc.parallelize(['a','b','c','d'])
output = inputRDD.countByValue()
# output
{'a': 1, 'c': 1, 'b': 1, 'd': 1}
三、从Hive中读取数据
from pyspark.sql import HiveContext
hiveCtx = HiveContext(sc)
rows = hiveCtx.sql("select name, age from users")
firstRow = rows.first()
print firstRow.name
网友评论