Spark RDD与MapReduce

Posted 2021-01-28 kukri

什么是Map、什么是Reduce

MapReduce是一个分布式编程计算模型，用于大规模数据集的分布式系统计算。

我个人理解，Map（映射、过滤）就是对一个分布式文件系统（HDFS）中的每一行（每一块文件）执行相同的函数进行处理；

Reduce（规约、化简）就是对Map处理好的数据进行两两运算，因此reduce函数必须要有两个参数。

Map/Reduce的执行原理其实可以参考python的map/reduce函数：

https://www.liaoxuefeng.com/wiki/001374738125095c955c1e6d8bb493182103fac9270762a000/00141861202544241651579c69d4399a9aa135afef28c44000

Spark中的MapReduce

RDD（Resilient Distributed Dataset）叫做弹性分布式数据集，是Spark中最基本的数据抽象，它代表一个不可变、可分区、里面的元素可并行计算的集合。RDD具有数据流模型的特点：自动容错、位置感知性调度和可伸缩性。RDD允许用户在执行多个查询时显式地将工作集缓存在内存中，后续的查询能够重用工作集，这极大地提升了查询速度。

RDD也支持常见的MapReduce操作。

RDD操作：

• • 转换操作：

    每一次转换操作都会产生不同的RDD，供给下一个“转换”使用。转换得到的RDD是惰性求值的，并不会发生真正的计算，只是记录了转换的轨迹，只有遇到行动操作时，才会发生真正的计算。

    • filter(func)：筛选出满足函数func的元素，并返回一个新的数据集

    • map(func)：将每个元素传递到函数func中，并将结果返回为一个新的数据集

    • flatMap(func)：与map()相似，但每个输入元素都可以映射到0或多个输出结果

    • groupByKey()：应用于(K,V)键值对的数据集时，返回一个新的(K, Iterable)形式的数据集

    • reduceByKey(func)：应用于(K,V)键值对的数据集时，返回一个新的(K, V)形式的数据集，其中的每个值是将每个key传递到函数func中进行聚合。

      reduceByKey 函数应用于（Key，Value）格式的数据集。 
      reduceByKey 函数的作用是把 key 相同的合并。 
      reduceByKey 函数同样返回一个（Key，Value）格式的数据集。 

  • 行动操作：

    行动操作是真正触发计算的地方。从文件中加载数据，完成一次又一次转换操作

    • count() 返回数据集中的元素个数

    • collect() 以数组的形式返回数据集中的所有元素

    • first() 返回数据集中的第一个元素

    • take(n) 以数组的形式返回数据集中的前n个元素

    • reduce(func) 通过函数func（输入两个参数并返回一个值）聚合数据集中的元素

    • foreach(func) 将数据集中的每个元素传递到函数func中运行。

Spark相关API文档

http://spark.apache.org/docs/latest/rdd-programming-guide.html

https://www.jianshu.com/p/4f074889bbd9

https://lixh1986.iteye.com/blog/2345420