RDD之六：Action算子

Posted 2020-08-28 学无止境

本质上在Actions算子中通过SparkContext执行提交作业的runJob操作，触发了RDD DAG的执行。 
根据Action算子的输出空间将Action算子进行分类：无输出、 HDFS、 Scala集合和数据类型。

无输出

foreach

对RDD中的每个元素都应用f函数操作，不返回RDD和Array，而是返回Uint。 

图中，foreach算子通过用户自定义函数对每个数据项进行操作。 本例中自定义函数为println，控制台打印所有数据项。

源码：

 

[plain] view plain copy

 

 

1. /**  
2.  * Applies a function f to all elements of this RDD.  
3.  */  
4. def foreach(f: T => Unit) {  
5.   val cleanF = sc.clean(f)  
6.   sc.runJob(this, (iter: Iterator[T]) => iter.foreach(cleanF))  
7. }  

 

HDFS

（1）saveAsTextFile

函数将数据输出，存储到HDFS的指定目录。将RDD中的每个元素映射转变为（Null，x.toString），然后再将其写入HDFS。 

图中，左侧的方框代表RDD分区，右侧方框代表HDFS的Block。 通过函数将RDD的每个分区存储为HDFS中的一个Block。

源码：

 

[plain] view plain copy

 

 

1. /**  
2.  * Save this RDD as a text file, using string representations of elements.  
3.  */  
4. def saveAsTextFile(path: String) {  
5.   // https://issues.apache.org/jira/browse/SPARK-2075  
6.   //  
7.   // NullWritable is a `Comparable` in Hadoop 1.+, so the compiler cannot find an implicit  
8.   // Ordering for it and will use the default `null`. However, it‘s a `Comparable[NullWritable]`  
9.   // in Hadoop 2.+, so the compiler will call the implicit `Ordering.ordered` method to create an  
10.   // Ordering for `NullWritable`. That‘s why the compiler will generate different anonymous  
11.   // classes for `saveAsTextFile` in Hadoop 1.+ and Hadoop 2.+.  
12.   //  
13.   // Therefore, here we provide an explicit Ordering `null` to make sure the compiler generate  
14.   // same bytecodes for `saveAsTextFile`.  
15.   val nullWritableClassTag = implicitly[ClassTag[NullWritable]]  
16.   val textClassTag = implicitly[ClassTag[Text]]  
17.   val r = this.mapPartitions { iter =>  
18.     val text = new Text()  
19.     iter.map { x =>  
20.       text.set(x.toString)  
21.       (NullWritable.get(), text)  
22.     }  
23.   }  
24.   RDD.rddToPairRDDFunctions(r)(nullWritableClassTag, textClassTag, null)  
25.     .saveAsHadoopFile[TextOutputFormat[NullWritable, Text]](path)  
26. }  
27.   
28. /**  
29.  * Save this RDD as a compressed text file, using string representations of elements.  
30.  */  
31. def saveAsTextFile(path: String, codec: Class[_ <: CompressionCodec]) {  
32.   // https://issues.apache.org/jira/browse/SPARK-2075  
33.   val nullWritableClassTag = implicitly[ClassTag[NullWritable]]  
34.   val textClassTag = implicitly[ClassTag[Text]]  
35.   val r = this.mapPartitions { iter =>  
36.     val text = new Text()  
37.     iter.map { x =>  
38.       text.set(x.toString)  
39.       (NullWritable.get(), text)  
40.     }  
41.   }  
42.   RDD.rddToPairRDDFunctions(r)(nullWritableClassTag, textClassTag, null)  
43.     .saveAsHadoopFile[TextOutputFormat[NullWritable, Text]](path, codec)  
44. }  

 

（2）saveAsObjectFile

saveAsObjectFile将分区中的每10个元素组成一个Array，然后将这个Array序列化，映射为（Null，BytesWritable（Y））的元素，写入HDFS为SequenceFile的格式。

图中，左侧方框代表RDD分区，右侧方框代表HDFS的Block。 通过函数将RDD的每个分区存储为HDFS上的一个Block。

源码：

 

[plain] view plain copy

 

 

1. /**  
2.  * Save this RDD as a SequenceFile of serialized objects.  
3.  */  
4. def saveAsObjectFile(path: String) {  
5.   this.mapPartitions(iter => iter.grouped(10).map(_.toArray))  
6.     .map(x => (NullWritable.get(), new BytesWritable(Utils.serialize(x))))  
7.     .saveAsSequenceFile(path)  
8. }  

 

Scala集合和数据类型

（1）collect

collect相当于toArray，toArray已经过时不推荐使用，collect将分布式的RDD返回为一个单机的scala Array数组。 在这个数组上运用scala的函数式操作。

图中，左侧方框代表RDD分区，右侧方框代表单机内存中的数组。通过函数操作，将结果返回到Driver程序所在的节点，以数组形式存储。

源码：

 

[plain] view plain copy

 

 

1. /**  
2.  * Return an array that contains all of the elements in this RDD.  
3.  */  
4. def collect(): Array[T] = {  
5.   val results = sc.runJob(this, (iter: Iterator[T]) => iter.toArray)  
6.   Array.concat(results: _*)  
7. }  

 

（2）collectAsMap

collectAsMap对（K，V）型的RDD数据返回一个单机HashMap。对于重复K的RDD元素，后面的元素覆盖前面的元素。 

图中，左侧方框代表RDD分区，右侧方框代表单机数组。数据通过collectAsMap函数返回给Driver程序计算结果，结果以HashMap形式存储。

源码：

 

[plain] view plain copy

 

 

1. /**  
2.  * Return the key-value pairs in this RDD to the master as a Map.  
3.  *  
4.  * Warning: this doesn‘t return a multimap (so if you have multiple values to the same key, only  
5.  *          one value per key is preserved in the map returned)  
6.  */  
7. def collectAsMap(): Map[K, V] = {  
8.   val data = self.collect()  
9.   val map = new mutable.HashMap[K, V]  
10.   map.sizeHint(data.length)  
11.   data.foreach { pair => map.put(pair._1, pair._2) }  
12.   map  
13. }  

 

（3）reduceByKeyLocally

实现的是先reduce再collectAsMap的功能，先对RDD的整体进行reduce操作，然后再收集所有结果返回为一个HashMap。

源码：

 

[plain] view plain copy

 

 

1. /**  
2.  * Merge the values for each key using an associative reduce function, but return the results  
3.  * immediately to the master as a Map. This will also perform the merging locally on each mapper  
4.  * before sending results to a reducer, similarly to a "combiner" in MapReduce.  
5.  */  
6. def reduceByKeyLocally(func: (V, V) => V): Map[K, V] = {  
7.   
8.   if (keyClass.isArray) {  
9.     throw new SparkException("reduceByKeyLocally() does not support array keys")  
10.   }  
11.   
12.   val reducePartition = (iter: Iterator[(K, V)]) => {  
13.     val map = new JHashMap[K, V]  
14.     iter.foreach { pair =>  
15.       val old = map.get(pair._1)  
16.       map.put(pair._1, if (old == null) pair._2 else func(old, pair._2))  
17.     }  
18.     Iterator(map)  
19.   } : Iterator[JHashMap[K, V]]  
20.   
21.   val mergeMaps = (m1: JHashMap[K, V], m2: JHashMap[K, V]) => {  
22.     m2.foreach { pair =>  
23.       val old = m1.get(pair._1)  
24.       m1.put(pair._1, if (old == null) pair._2 else func(old, pair._2))  
25.     }  
26.     m1  
27.   } : JHashMap[K, V]  
28.   
29.   self.mapPartitions(reducePartition).reduce(mergeMaps)  
30. }  

 

（4）lookup

Lookup函数对（Key，Value）型的RDD操作，返回指定Key对应的元素形成的Seq。这个函数处理优化的部分在于，如果这个RDD包含分区器，则只会对应处理K所在的分区，然后返回由（K，V）形成的Seq。如果RDD不包含分区器，则需要对全RDD元素进行暴力扫描处理，搜索指定K对应的元素。

图中，左侧方框代表RDD分区，右侧方框代表Seq，最后结果返回到Driver所在节点的应用中。

源码：

 

[plain] view plain copy

 

 

1. /**  
2.  * Return the list of values in the RDD for key `key`. This operation is done efficiently if the  
3.  * RDD has a known partitioner by only searching the partition that the key maps to.  
4.  */  
5. def lookup(key: K): Seq[V] = {  
6.   self.partitioner match {  
7.     case Some(p) =>  
8.       val index = p.getPartition(key)  
9.       val process = (it: Iterator[(K, V)]) => {  
10.         val buf = new ArrayBuffer[V]  
11.         for (pair <- it if pair._1 == key) {  
12.           buf += pair._2  
13.         }  
14.         buf  
15.       } : Seq[V]  
16.       val res = self.context.runJob(self, process, Array(index), false)  
17.       res(0)  
18.     case None =>  
19.       self.filter(_._1 == key).map(_._2).collect()  
20.   }  
21. }  

 

（5）count

count返回整个RDD的元素个数。 

图中，返回数据的个数为5。一个方块代表一个RDD分区。

源码：

 

[plain] view plain copy

 

 

1. /**  
2.  * Return the number of elements in the RDD.  
3.  */  
4. def count(): Long = sc.runJob(this, Utils.getIteratorSize _).sum  

 

（6）top

top可返回最大的k个元素。 
相近函数说明：

• top返回最大的k个元素。
• take返回最小的k个元素。
• takeOrdered返回最小的k个元素， 并且在返回的数组中保持元素的顺序。
• first相当于top（ 1） 返回整个RDD中的前k个元素， 可以定义排序的方式Ordering[T]。返回的是一个含前k个元素的数组。

源码：

 

[plain] view plain copy

 

 

1. /**  
2.  * Returns the top k (largest) elements from this RDD as defined by the specified  
3.  * implicit Ordering[T]. This does the opposite of [[takeOrdered]]. For example:  
4.  * {{{  
5.  *   sc.parallelize(Seq(10, 4, 2, 12, 3)).top(1)  
6.  *   // returns Array(12)  
7.  *  
8.  *   sc.parallelize(Seq(2, 3, 4, 5, 6)).top(2)  
9.  *   // returns Array(6, 5)  
10.  * }}}  
11.  *  
12.  * @param num k, the number of top elements to return  
13.  * @param ord the implicit ordering for T  
14.  * @return an array of top elements  
15.  */  
16. def top(num: Int)(implicit ord: Ordering[T]): Array[T] = takeOrdered(num)(ord.reverse)  

 

（7）reduce

reduce函数相当于对RDD中的元素进行reduceLeft函数的操作。 
reduceLeft先对两个元素

 

[plain] view plain copy

 

 

1. /**  
2.  * Reduces the elements of this RDD using the specified commutative and  
3.  * associative binary operator.  
4.  */  
5. def reduce(f: (T, T) => T): T = {  
6.   val cleanF = sc.clean(f)  
7.   val reducePartition: Iterator[T] => Option[T] = iter => {  
8.     if (iter.hasNext) {  
9.       Some(iter.reduceLeft(cleanF))  
10.     } else {  
11.       None  
12.     }  
13.   }  
14.   var jobResult: Option[T] = None  
15.   val mergeResult = (index: Int, taskResult: Option[T]) => {  
16.     if (taskResult.isDefined) {  
17.       jobResult = jobResult match {  
18.         case Some(value) => Some(f(value, taskResult.get))  
19.         case None => taskResult  
20.       }  
21.     }  
22.   }  
23.   sc.runJob(this, reducePartition, mergeResult)  
24.   // Get the final result out of our Option, or throw an exception if the RDD was empty  
25.   jobResult.getOrElse(throw new UnsupportedOperationException("empty collection"))  
26. }  

 

（8）fold

fold和reduce的原理相同，但是与reduce不同，相当于每个reduce时，迭代器取的第一个元素是zeroValue。 

图中，通过用户自定义函数进行fold运算，图中的一个方框代表一个RDD分区。

源码：

 

[plain] view plain copy

 

 

1. /**  
2.  * Aggregate the elements of each partition, and then the results for all the partitions, using a  
3.  * given associative function and a neutral "zero value". The function op(t1, t2) is allowed to  
4.  * modify t1 and return it as its result value to avoid object allocation; however, it should not  
5.  * modify t2.  
6.  */  
7. def fold(zeroValue: T)(op: (T, T) => T): T = {  
8.   // Clone the zero value since we will also be serializing it as part of tasks  
9.   var jobResult = Utils.clone(zeroValue, sc.env.closureSerializer.newInstance())  
10.   val cleanOp = sc.clean(op)  
11.   val foldPartition = (iter: Iterator[T]) => iter.fold(zeroValue)(cleanOp)  
12.   val mergeResult = (index: Int, taskResult: T) => jobResult = op(jobResult, taskResult)  
13.   sc.runJob(this, foldPartition, mergeResult)  
14.   jobResult  
15. }  

 

（9）aggregate

aggregate先对每个分区的所有元素进行aggregate操作，再对分区的结果进行fold操作。 
aggreagate与fold和reduce的不同之处在于，aggregate相当于采用归并的方式进行数据聚集，这种聚集是并行化的。 而在fold和reduce函数的运算过程中，每个分区中需要进行串行处理，每个分区串行计算完结果，结果再按之前的方式进行聚集，并返回最终聚集结果。

图中，通过用户自定义函数对RDD 进行aggregate的聚集操作，图中的每个方框代表一个RDD分区。

源码：

 

[plain] view plain copy

 

 

1. /**  
2.  * Aggregate the elements of each partition, and then the results for all the partitions, using  
3.  * given combine functions and a neutral "zero value". This function can return a different result  
4.  * type, U, than the type of this RDD, T. Thus, we need one operation for merging a T into an U  
5.  * and one operation for merging two U‘s, as in scala.TraversableOnce. Both of these functions are  
6.  * allowed to modify and return their first argument instead of creating a new U to avoid memory  
7.  * allocation.  
8.  */  
9. def aggregate[U: ClassTag](zeroValue: U)(seqOp: (U, T) => U, combOp: (U, U) => U): U = {  
10.   // Clone the zero value since we will also be serializing it as part of tasks  
11.   var jobResult = Utils.clone(zeroValue, sc.env.closureSerializer.newInstance())  
12.   val cleanSeqOp = sc.clean(seqOp)  
13.   val cleanCombOp = sc.clean(combOp)  
14.   val aggregatePartition = (it: Iterator[T]) => it.aggregate(zeroValue)(cleanSeqOp, cleanCombOp)  
15.   val mergeResult = (index: Int, taskResult: U) => jobResult = combOp(jobResult, taskResult)  
16.   sc.runJob(this, aggregatePartition, mergeResult)  
17.   jobResult  
18.  }  

原文链接：http://blog.csdn.net/jasonding1354