Spark RDD API详解(一) Map和Reduce

落日映苍穹つ 2022-07-15 14:58 152阅读 0赞

RDD是Spark中的抽象数据结构类型，任何数据在Spark中都被表示为RDD。从编程的角度来看，RDD可以简单看成是一个数组。和普通数组的区别是，RDD中的数据是分区存储的，这样不同分区的数据就可以分布在不同的机器上，同时可以被并行处理。因此，Spark应用程序所做的无非是把需要处理的数据转换为RDD，然后对RDD进行一系列的变换和操作从而得到结果。本文为第一部分，将介绍Spark RDD中与Map和Reduce相关的API中。

如何创建RDD？  
RDD可以从普通数组创建出来，也可以从文件系统或者HDFS中的文件创建出来。

举例：从普通数组创建RDD，里面包含了1到9这9个数字，它们分别在3个分区中。

scala> val a = sc.parallelize(1 to 9, 3)  
a: org.apache.spark.rdd.RDD\[Int\] = ParallelCollectionRDD\[1\] at parallelize at :12  
举例：读取文件README.md来创建RDD，文件中的每一行就是RDD中的一个元素

scala> val b = sc.textFile(“README.md”)  
b: org.apache.spark.rdd.RDD\[String\] = MappedRDD\[3\] at textFile at :12  
虽然还有别的方式可以创建RDD，但在本文中我们主要使用上述两种方式来创建RDD以说明RDD的API。

map  
map是对RDD中的每个元素都执行一个指定的函数来产生一个新的RDD。任何原RDD中的元素在新RDD中都有且只有一个元素与之对应。

举例：

scala> val a = sc.parallelize(1 to 9, 3)  
scala> val b = a.map(x => x\*2)  
scala> a.collect  
res10: Array\[Int\] = Array(1, 2, 3, 4, 5, 6, 7, 8, 9)  
scala> b.collect  
res11: Array\[Int\] = Array(2, 4, 6, 8, 10, 12, 14, 16, 18)  
上述例子中把原RDD中每个元素都乘以2来产生一个新的RDD。

mapPartitions  
mapPartitions是map的一个变种。map的输入函数是应用于RDD中每个元素，而mapPartitions的输入函数是应用于每个分区，也就是把每个分区中的内容作为整体来处理的。  
它的函数定义为：

def mapPartitions\[U: ClassTag\](f: Iterator\[T\] => Iterator\[U\], preservesPartitioning: Boolean = false): RDD\[U\]  
f即为输入函数，它处理每个分区里面的内容。每个分区中的内容将以Iterator\[T\]传递给输入函数f，f的输出结果是Iterator\[U\]。最终的RDD由所有分区经过输入函数处理后的结果合并起来的。

举例：

scala> val a = sc.parallelize(1 to 9, 3)  
scala> def myfunc\[T\](iter: Iterator\[T\]) : Iterator\[(T, T)\] = \{  
var res = List(T, T)  
var pre = iter.next while (iter.hasNext) \{  
val cur = iter.next;  
res .::= (pre, cur) pre = cur;  
\}  
res.iterator  
\}  
scala> a.mapPartitions(myfunc).collect  
res0: Array\[(Int, Int)\] = Array((2,3), (1,2), (5,6), (4,5), (8,9), (7,8))  
上述例子中的函数myfunc是把分区中一个元素和它的下一个元素组成一个Tuple。因为分区中最后一个元素没有下一个元素了，所以(3,4)和(6,7)不在结果中。  
mapPartitions还有些变种，比如mapPartitionsWithContext，它能把处理过程中的一些状态信息传递给用户指定的输入函数。还有mapPartitionsWithIndex，它能把分区的index传递给用户指定的输入函数。

mapValues  
mapValues顾名思义就是输入函数应用于RDD中Kev-Value的Value，原RDD中的Key保持不变，与新的Value一起组成新的RDD中的元素。因此，该函数只适用于元素为KV对的RDD。

举例：

scala> val a = sc.parallelize(List(“dog”, “tiger”, “lion”, “cat”, “panther”, ” eagle”), 2)  
scala> val b = a.map(x => (x.length, x))  
scala> b.mapValues(“x” + \_ + “x”).collect  
res5: Array\[(Int, String)\] = Array((3,xdogx), (5,xtigerx), (4,xlionx),(3,xcatx), (7,xpantherx), (5,xeaglex))  
mapWith  
mapWith是map的另外一个变种，map只需要一个输入函数，而mapWith有两个输入函数。它的定义如下：

def mapWith\[A: ClassTag, U: \](constructA: Int => A, preservesPartitioning: Boolean = false)(f: (T, A) => U): RDD\[U\]  
第一个函数constructA是把RDD的partition index（index从0开始）作为输入，输出为新类型A；  
第二个函数f是把二元组(T, A)作为输入（其中T为原RDD中的元素，A为第一个函数的输出），输出类型为U。  
举例：把partition index 乘以10，然后加上2作为新的RDD的元素。

val x = sc.parallelize(List(1,2,3,4,5,6,7,8,9,10), 3)  
x.mapWith(a => a \* 10)((a, b) => (b + 2)).collect  
res4: Array\[Int\] = Array(2, 2, 2, 12, 12, 12, 22, 22, 22, 22)  
flatMap  
与map类似，区别是原RDD中的元素经map处理后只能生成一个元素，而原RDD中的元素经flatmap处理后可生成多个元素来构建新RDD。  
举例：对原RDD中的每个元素x产生y个元素（从1到y，y为元素x的值）

scala> val a = sc.parallelize(1 to 4, 2)  
scala> val b = a.flatMap(x => 1 to x)  
scala> b.collect  
res12: Array\[Int\] = Array(1, 1, 2, 1, 2, 3, 1, 2, 3, 4)  
flatMapWith  
flatMapWith与mapWith很类似，都是接收两个函数，一个函数把partitionIndex作为输入，输出是一个新类型A；另外一个函数是以二元组（T,A）作为输入，输出为一个序列，这些序列里面的元素组成了新的RDD。它的定义如下：

def flatMapWith\[A: ClassTag, U: ClassTag\](constructA: Int => A, preservesPartitioning: Boolean = false)(f: (T, A) => Seq\[U\]): RDD\[U\]  
举例：

scala> val a = sc.parallelize(List(1,2,3,4,5,6,7,8,9), 3)  
scala> a.flatMapWith(x => x, true)((x, y) => List(y, x)).collect  
res58: Array\[Int\] = Array(0, 1, 0, 2, 0, 3, 1, 4, 1, 5, 1, 6, 2, 7, 2,  
8, 2, 9)  
flatMapValues  
flatMapValues类似于mapValues，不同的在于flatMapValues应用于元素为KV对的RDD中Value。每个一元素的Value被输入函数映射为一系列的值，然后这些值再与原RDD中的Key组成一系列新的KV对。

举例

scala> val a = sc.parallelize(List((1,2),(3,4),(3,6)))  
scala> val b = a.flatMapValues(x=>x.to(5))  
scala> b.collect  
res3: Array\[(Int, Int)\] = Array((1,2), (1,3), (1,4), (1,5), (3,4), (3,5))  
上述例子中原RDD中每个元素的值被转换为一个序列（从其当前值到5），比如第一个KV对(1,2), 其值2被转换为2，3，4，5。然后其再与原KV对中Key组成一系列新的KV对(1,2),(1,3),(1,4),(1,5)。

reduce  
reduce将RDD中元素两两传递给输入函数，同时产生一个新的值，新产生的值与RDD中下一个元素再被传递给输入函数直到最后只有一个值为止。

举例

scala> val c = sc.parallelize(1 to 10)  
scala> c.reduce((x, y) => x + y)  
res4: Int = 55  
上述例子对RDD中的元素求和。

reduceByKey  
顾名思义，reduceByKey就是对元素为KV对的RDD中Key相同的元素的Value进行reduce，因此，Key相同的多个元素的值被reduce为一个值，然后与原RDD中的Key组成一个新的KV对。

举例:

scala> val a = sc.parallelize(List((1,2),(3,4),(3,6)))  
scala> a.reduceByKey((x,y) => x + y).collect  
res7: Array\[(Int, Int)\] = Array((1,2), (3,10))  
上述例子中，对Key相同的元素的值求和，因此Key为3的两个元素被转为了(3,10)。

Reference  
本文中的部分例子来自:[http://homepage.cs.latrobe.edu.au/zhe/ZhenHeSparkRDDAPIExamples.html][http_homepage.cs.latrobe.edu.au_zhe_ZhenHeSparkRDDAPIExamples.html]修改而来

[http_homepage.cs.latrobe.edu.au_zhe_ZhenHeSparkRDDAPIExamples.html]: http://homepage.cs.latrobe.edu.au/zhe/ZhenHeSparkRDDAPIExamples.html