2月9日学习记录

Posted 2021-03-11 lq13035130506

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了2月9日学习记录相关的知识，希望对你有一定的参考价值。

1，背诵单词：obstacle：障碍物 gum：口香糖 fridge：电冰箱 combination：结合 fasten：系牢 purchase：购买 leak：漏出 inhabitant：居民 express：快递 conceal：隐瞒 digest：消化 beggar：乞丐 apology：道歉认错 suspicion：怀疑 aid：帮助 yield：投降 dew：水珠 transmit：传输 stable：稳定的 spot：点

2，做spark实验4，回顾了之前学习的RDD操作等

map(func)

作用：返回一个新的RDD，该RDD由每一个输入元素经过func函数转换后组成

mapPartitions(func)

作用：类似于map，但独立地在RDD的每一个分片上运行，因此在类型为T的RDD上运行时，func的函数类型必须是Iterator[T] => Iterator[U]。假设有N个元素，有M个分区，那么map的函数的将被调用N次,而mapPartitions被调用M次,一个函数一次处理所有分区。

mapPartitionsWithIndex(func)

作用：类似于mapPartitions，但func带有一个整数参数表示分片的索引值，因此在类型为T的RDD上运行时，func的函数类型必须是(Int, Interator[T]) => Iterator[U]；

flatMap(func)

作用：类似于map，但是每一个输入元素可以被映射为0或多个输出元素（所以func应该返回一个序列，而不是单一元素）

map()和mapPartition()的区别

1. map()：每次处理一条数据。

2. mapPartition()：每次处理一个分区的数据，这个分区的数据处理完后，原RDD中分区的数据才能释放，可能导致OOM。

3. 开发指导：当内存空间较大的时候建议使用mapPartition()，以提高处理效率。

glom

作用：将每一个分区形成一个数组，形成新的RDD类型时RDD[Array[T]]

groupBy(func)

作用：分组，按照传入函数的返回值进行分组。将相同的key对应的值放入一个迭代器。

filter(func)

作用：过滤。返回一个新的RDD，该RDD由经过func函数计算后返回值为true的输入元素组成。

sample(withReplacement, fraction, seed)

作用：以指定的随机种子随机抽样出数量为fraction的数据，withReplacement表示是抽出的数据是否放回，true为有放回的抽样，false为无放回的抽样，seed用于指定随机数生成器种子。

distinct([numTasks]))

作用：对源RDD进行去重后返回一个新的RDD。默认情况下，只有8个并行任务来操作，但是可以传入一个可选的numTasks参数改变它。

coalesce(numPartitions)

作用：缩减分区数，用于大数据集过滤后，提高小数据集的执行效率。

repartition(numPartitions)

作用：根据分区数，重新通过网络随机洗牌所有数据。

coalesce和repartition的区别

coalesce重新分区，可以选择是否进行shuffle过程。由参数shuffle: Boolean = false/true决定。

repartition实际上是调用的coalesce，默认是进行shuffle的。

sortBy(func,[ascending], [numTasks])

作用；使用func先对数据进行处理，按照处理后的数据比较结果排序，默认为正序。

pipe(command, [envVars])

作用：管道，针对每个分区，都执行一个shell脚本，返回输出的RDD。

注意：脚本需要放在Worker节点可以访问到的位置

union(otherDataset)

作用：对源RDD和参数RDD求并集后返回一个新的RDD

subtract (otherDataset)

作用：计算差的一种函数，去除两个RDD中相同的元素，不同的RDD将保留下来

intersection(otherDataset)

作用：对源RDD和参数RDD求交集后返回一个新的RDD

cartesian(otherDataset)

作用：笛卡尔积（尽量避免使用）

zip(otherDataset)

作用：将两个RDD组合成Key/Value形式的RDD,这里默认两个RDD的partition数量以及元素数量都相同，否则会抛出异常。

partitionBy

作用：对pairRDD进行分区操作，如果原有的partionRDD和现有的partionRDD是一致的话就不进行分区，否则会生成ShuffleRDD，即会产生shuffle过程。

groupByKey

作用：groupByKey也是对每个key进行操作，但只生成一个sequence。

reduceByKey(func, [numTasks])

在一个(K,V)的RDD上调用，返回一个(K,V)的RDD，使用指定的reduce函数，将相同key的值聚合到一起，reduce任务的个数可以通过第二个可选的参数来设置。

reduceByKey和groupByKey的区别

1. reduceByKey：按照key进行聚合，在shuffle之前有combine（预聚合）操作，返回结果是RDD[k,v].

2. groupByKey：按照key进行分组，直接进行shuffle。

3. 开发指导：reduceByKey比groupByKey，建议使用。但是需要注意是否会影响业务逻辑。

aggregateByKey

参数：(zeroValue:U,[partitioner: Partitioner]) (seqOp: (U, V) => U,combOp: (U, U) => U)

1. 作用：在kv对的RDD中，，按key将value进行分组合并，合并时，将每个value和初始值作为seq函数的参数，进行计算，返回的结果作为一个新的kv对，然后再将结果按照key进行合并，最后将每个分组的value传递给combine函数进行计算（先将前两个value进行计算，将返回结果和下一个value传给combine函数，以此类推），将key与计算结果作为一个新的kv对输出。