Spark学习之JavaRdd

Posted 2020-11-12 刁兆建

RDD 介绍

RDD，全称Resilient Distributed Datasets（弹性分布式数据集），是Spark最为核心的概念，是Spark对数据的抽象。RDD是分布式的元素集合，每个RDD只支持读操作，且每个RDD都被分为多个分区存储到集群的不同节点上。除此之外，RDD还允许用户显示的指定数据存储到内存和磁盘中，掌握了RDD编程是SPARK开发的第一步。

 

1:创建操作（creation operation）：RDD的创建由SparkContext来负责。
2:转换操作（transformation operation）：将一个RDD通过一定操作转换为另一个RDD。
3:行动操作（action operation）：Spark为惰性计算，对RDD的行动操作都会触发Spark作业的运行
4:控制操作（control operation）：对RDD进行持久化等。

 

DEMO代码地址：https://github.com/zhp8341/sparkdemo/blob/master/src/main/java/com/demo/spark/rdddemo/OneRDD.java

一：创建操作

创建RDD有两种方式：
1 读取一个数据集(SparkContext.textFile()) :

JavaDStreamlines=jssc.textFileStream("/Users/huipeizhu/Documents/sparkdata/input/"); 
JavaReceiverInputDStreamlines = jssc.socketTextStream("localhost", 9999);

2 读取一个集合(SparkContext.parallelize()) :

Listlist = Arrays.asList(5, 4, 3, 2, 1);
JavaRDDrdd = sc.parallelize(list);

二:转换操作

1：单个RDD转换操作
map() : 对每个元素进行操作，返回一个新的RDD
System.out.println("RDD每个元素乘10:" + rdd.map(v -> v * 10)

filter() : 最每个元素进行筛选，返回符合条件的元素组成的一个新RDD
System.out.println("RDD去掉1的元素:" + rdd.filter(v -> v != 1));

flatMap() : 对每个元素进行操作，将返回的迭代器的所有元素组成一个新的RDD返回
r.dd.flatMap(x -> x.to(3)).collect()

distinct()：去重操作
System.out.println("RDD去重操作:" + rdd.distinct());

rdd最大和最小值

Integer max=  rdd.reduce((v1, v2) -> Math.max(v1, v2));

Integer min=  rdd.reduce((v1, v2) -> Math.min(v1, v2))

2：两个RDD的转化操作：

[1, 2, 3] [3, 4, 5] 两个个RDD简单相关操作

union() ：合并，不去重
System.out.println("两个RDD集合:" + rdd1.union(rdd2).collect());

intersection() ：交集
System.out.println("两个RDD集合共同元素:" + rdd1.intersection(rdd2).collect());

cartesian() ：笛卡儿积
System.out.println("和另外一个RDD集合的笛卡尔积:" + rdd1.cartesian(rdd2).collect());

subtract() ： 移除相同的内容
rdd1.subtract(rdd2).collect()

 

三：行动操作

collect() ：返回所有元素
System.out.println("原始数据：" + rdd.collect());

count() ：返回元素个数
System.out.println("统计RDD的所有元素:" + rdd.count());

countByValue() ： 各个元素出现的次数
System.out.println("每个元素出现的次数:" + rdd.countByValue());

take(num) ： 返回num个元素
System.out.println("取出rdd返回2个元素:" + rdd.take(2));

top(num) ： 返回前num个元素
System.out.println("取出rdd返回最前2个元素:" + rdd.top(2));

reduce(func) ：并行整合RDD中的所有数据（最常用的）
System.out.println("整合RDD中所有数据（sum）:" + rdd.reduce((v1, v2) -> v1 + v2));

foreach(func)：对每个元素使用func
rdd.foreach(t -> System.out.print(t));

四：控制操作

cache()：

persist()：保留着RDD的依赖关系

checkpoint（level：StorageLevel）：RDD[T]切断RDD依赖关系

所谓的控制操作就是持久化
你能通过persist()或者cache()方法持久化一个rdd。首先，在action中计算得到rdd；然后，将其保存在每个节点的内存中。Spark的缓存是一个容错的技术-如果RDD的任何一个分区丢失，它 可以通过原有的转换（transformations）操作自动的重复计算并且创建出这个分区。
此外，我们可以利用不同的存储级别存储每一个被持久化的RDD。
Spark自动的监控每个节点缓存的使用情况，利用最近最少使用原则删除老旧的数据。如果你想手动的删除RDD，可以使用RDD.unpersist()方法。
在实际操作当中我们可以借助第三方进行数据持久化 如：redis