java-spark的各种常用算子的写法

Posted 2020-11-19 sweatear

    通常写spark的程序用scala比较方便，毕竟spark的源码就是用scala写的。然而，目前java开发者特别多，尤其进行数据对接、上线服务的时候，这时候，就需要掌握一些spark在java中的使用方法了

   一、map

     map在进行数据处理、转换的时候，不能更常用了

     在使用map之前 首先要定义一个转换的函数 格式如下：

   

Function<String, LabeledPoint> transForm = new Function<String, LabeledPoint>() {//String是某一行的输入类型 LabeledPoint是转换后的输出类型
            @Override
            public LabeledPoint call(String row) throws Exception {//重写call方法
                String[] rowArr = row.split(",");
                int rowSize = rowArr.length;

                double[] doubleArr = new double[rowSize-1];

                //除了第一位的lable外 其余的部分解析成double 然后放到数组中
                for (int i = 1; i < rowSize; i++) {
                    String each = rowArr[i];
                    doubleArr[i] = Double.parseDouble(each);
                }

                //用刚才得到的数据 转成向量
                Vector feature = Vectors.dense(doubleArr);
                double label = Double.parseDouble(rowArr[0]);
                //构造用于分类训练的数据格式 LabelPoint
                LabeledPoint point = new LabeledPoint(label, feature);
                return point;
            }
        };

　　需要特别注意的是：

      1、call方法的输入应该是转换之前的数据行的类型  返回值应是处理之后的数据行类型

      2、如果转换方法中调用了自定义的类，注意该类名必须实现序列化 比如

public class TreeEnsemble implements Serializable {
}

　　3、转换函数中如果调用了某些类的对象，比如该方法需要调用外部的一个参数，或者数值处理模型（标准化，归一化等），则该对象需要声明是final

      然后就是在合适的时候调用该转换函数了

      

JavaRDD<LabeledPoint> rdd = oriData.toJavaRDD().map(transForm);

　　这种方式是需要将普通的rdd转成javaRDD才能使用的，转成javaRDD的这一步操作不耗时，不用担心

   二、filter

    在避免数据出现空值、0等场景中也非常常用，可以满足sql中where的功能

    这里首先也是要定义一个函数，该函数给定数据行 返回布尔值 实际效果是将返回为true的数据保留

Function<String, Boolean> boolFilter = new Function<String, Boolean>() {//String是某一行的输入类型 Boolean是对应的输出类型 用于判断数据是否保留
            @Override
            public Boolean call(String row) throws Exception {//重写call方法
                boolean flag = row!=null;
                return flag;
            }
        };

　 通常该函数实际使用中需要修改的仅仅是row的类型 也就是数据行的输入类型，和上面的转换函数不同，此call方法的返回值应是固定为Boolean

    然后是调用方式

    

JavaRDD<LabeledPoint> rdd = oriData.toJavaRDD().filter(boolFilter);

　　

    三、mapToPair

    该方法和map方法有一些类似，也是对数据进行一些转换。不过此函数输入一行 输出的是一个元组，最常用的方法是用来做交叉验证 或者统计错误率 召回率 计算AUC等等

    同样，需要先定义一个转换函数

Function<String, Boolean> transformer = new PairFunction<LabeledPoint, Object, Object>() {//LabeledPoint是输入类型 后面的两个Object不要改动
            @Override
            public Tuple2 call(LabeledPoint row) throws Exception {//重写call方法 通常只改动输入参数 输出不要改动
                double predicton = thismodel.predict(row.features());
                double label = row.label();
                return new Tuple2(predicton, label);
            }
        });

　　关于调用的类、类的对象，要求和之前的一致，类需要实现序列化，类的对象需要声明成final类型

     相应的调用如下：

JavaPairRDD<Object, Object> predictionsAndLabels = oriData.mapToPair(transformer);

　　然后对该predictionsAndLabels的使用，计算准确率、召回率、精准率、AUC，接下来的博客中会有，敬请期待

      如有补充，或者质疑，或者有相关问题，请发邮件给我，或者直接回复  邮箱:[email protected]