Spark-Scala-RDD 入门问题汇总

Spark-Scala-RDD 入门问题汇总

最近一段时间一直在了解Spark。作为初学者在这记录一些自己的新的，方便自己以后查看。

系统运行版本是：Hadoop 2.7.2 / Spark 2.0.0 / Scala 2.11.8
编辑器： IDEA

1：在Spark上如何运行程序

    编写的程序必须打包并在终端运行。不能直接在编辑器上运行，这是因为程序运行的时没有提交给spark集群。

2：搭建开发环境导入类似spark-assembly-0.8.1-incubating- hadoop2.2.0.jar

    在这里你可以导入类似的spark-assembly-0.8.1-incubating- hadoop2.2.0.jar。在早期spark版本中，lib目录下自带该文件。但在目前我使用的spark2.0.0，没有找到该文件。
    因此，必须自己生成该文件。同样也可以直接将jars目录下的所有包都引入程序当中。

打开 Project Structure,快捷方式 ctrl + alt + shift + s
导入：

配置打包：按照下图先设置好打包的配置


打包：build->Artifacts…->build
运行：在$SPARK_HOME/bin 目录下（或者配置了环境变量）,同时如果没有在程序中配置master和appname,可以通过下述方式设置。设置方法自己查看 help
spark-submit –class com.qh.ScalaPractice SparkScala.jar

3：scala spark RDD

    在网上可以找到很多关于scala编写spark程序的例子。但是经过自己的实验，发现和多的RDD操作函数是没有的。
可能是这个版本被舍弃掉了，也可能是自己使用方式不对。下例是自己根据网上的教程编写的wordCount，亲测有效

package com.qh
import org.apache.spark.{SparkConf, SparkContext}
/**
 * Created by hadoop on 8/17/16.
 * wordCount
 */
object wordCount {
def main(args: Array[String]): Unit = {
val conf = new SparkConf()
    conf.setAppName("wordCount")
      .setMaster("spark://master:7077")
val sc = new SparkContext(conf)
val file = sc.textFile("/DataBigZYS/file", 3)
val result = file
      .flatMap(value => value.split("\\s+"))
      .map(word => (word, 1))
      .reduceByKey((value1, value2) => value1 + value2)
    result.foreach(println)
    result.saveAsTextFile("/DataBigZYS/file1")
  }
}

3：scala spark RDD 基础操作

package com.qh

import org.apache.hadoop.io.IntWritable
import org.apache.hadoop.io.Text
import org.apache.hadoop.mapred.{JobConf, TextOutputFormat}
import org.apache.spark.{SparkConf, SparkContext}

/**
 * Created by zys on 8/17/16.
 */
object ScalaPractice {

private val path = "hdfs://master:9000/Spark/Practice"

def main(args: Array[String]): Unit = {
val conf = new SparkConf()
    conf.setAppName("ScalaTest")
      .setMaster("spark://master:7077")
val sc = new SparkContext(conf)
val raw = sc.parallelize(1 to 9, 3)

// top 函数用于从RDD中，按照默认（降序）或者指定的排序规则，返回前num个元素
    raw.top(3)
// take 用于获取RDD中从0到num-1下标的元素，不排序。
    raw.take(3)
// takeOrdered 和top类似，只不过以和top相反的顺序返回元素。
    raw.takeOrdered(3)
// first 返回RDD中的第一个元素，不排序
    raw.first()
// count 返回RDD中的元素数量
    raw.count()
// collect 将一个RDD转换成数组
    raw.collect()
// reduce 对RDD中的元素进行二元计算，返回计算结果
    raw.reduce((x1, x2) => x1 + x2)
// lookup 用于(K,V)类型的RDD,指定K值，返回RDD中该K对应的所有V值
    raw.map(x => (x, x * x)).lookup(2) // 4
// countByKey 用于统计RDD[K,V]中每个K的数量
    raw.map(x => (x, x * x)).countByKey() // 4
// foreach用于遍历RDD,将函数f应用于每一个元素
    raw.foreach(x => x * 2)
// foreachPartition和foreach类似，只不过是对每一个分区使用
var Num = 0
    raw.foreachPartition(iter => {
      iter.foreach(x => Num += x)
    })


// sortBy
// 根据给定的排序k函数将RDD中的元素进行排序
    raw.sortBy(x => x) // 升须
    raw.sortBy(x => x, ascending = false) // 降序
    raw.map(x => (x, x * 2)).sortBy(x => x._2) // 根据value排序

// Map
// 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
val map = raw.map(x => x * 2)
    map.saveAsTextFile(path + "/map")

// mapPartitions
// 输入函数应用于每个分区，也就是把每个分区中的内容作为整体来处理的
// 处理的元素是当前分区所有元素之和组成的Iterator集合，并返回一个Iterator集合
    raw.mapPartitions(x => {
var i = 0
      x.foreach(arg => i += arg)
      List[Int]().::(i).iterator
    }
    ).saveAsTextFile(path + "/mapPartitions")

// mapPartitionsWithIndex
// 功能类似与mapPartitions 不同的是传入的参数是一个二元元组
// 元组成分为：(分区的index,当前处理的分区元素组成的Iterator) 返回一个同类型的二元元组
    raw.mapPartitionsWithIndex((index, iter) => iter.map(x => (index, x)))
      .saveAsTextFile(path + "/mapPartitionsWithIndex")

// mapValues
// 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
// 输出和输入都是KV对
    raw.map(x => (x, x)).mapValues(value => value * value)
      .saveAsTextFile(path + "/mapValues")

// flatMapValues
// flatMapValues是针对[K,V]中的V值进行flatMap操作
    raw.map(x => (x, x)).flatMapValues(x => 1 to x)
      .saveAsTextFile(path + "/flatMapValues")

// flatMap
// 与map类似，区别是RDD中的元素经map处理后只能生成一个元素 flatMap处理后可生成多个元素来构建新RDD
// 注意：flatMap会将字符串看成是一个字符数组
    raw.flatMap(x => 1 to x).saveAsTextFile(path + "/flatMap")

// reduceByKey
    raw.map(x => (x, x * x)).reduceByKey((x1, x2) => x1 + x2)
      .saveAsTextFile(path + "/reduceByKey")

// distinct
// 对RDD中的元素进行去重操作
    raw.map(x => x % 5).distinct().saveAsTextFile(path + "/distinct")

// union
// 将两个RDD进行合并，不去重
val other = sc.parallelize(6 to 14, 3)
    raw.union(other).saveAsTextFile(path + "/other")

// intersection
// 函数返回两个RDD的交集，并且去重。
// 可选参数numPartitions指定返回的RDD的分区数。
// 可选参数Partitioner用于指定分区函数
    raw.intersection(other, 1).saveAsTextFile(path + "/intersection")

// subtract 类似intersection
// 返回在RDD中出现，并且不在otherRDD中出现的元素，不去重
    raw.subtract(other, 1).saveAsTextFile(path + "/subtract")

// zip
// 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
    raw.zip(other).saveAsTextFile(path + "/zip")

// zipPartitions
// 将多个RDD按照partition组合成为新的RDD，该函数需要组合的RDD具有相同的分区数，但对于每个分区内的元素数量没有要求
    raw.zipPartitions(sc.parallelize(Seq('a', 'b', 'c'), 3)) {
      (rdd1Iter, rdd2Iter) => {
// List在定义完之后不能添加元素，是一个不可变集合
// val result = List[String]()
val result = ListBuffer[String]()
while (rdd1Iter.hasNext && rdd2Iter.hasNext) {
          result.append(rdd1Iter.next() + "_" + rdd2Iter.next())
        }
        result.iterator
      }
    }.saveAsTextFile(path + "/zipPartitions")

// zipWithIndex
// 将RDD中的元素和这个元素在RDD中的ID（索引号）组合成键/值对
    raw.zipWithIndex().saveAsTextFile(path + "/zipWithIndex")

// zipWithUniqueId
// 将RDD中元素和一个唯一ID组合成键/值对，该唯一ID生成算法如下：
// 每个分区中第一个元素的唯一ID值为：该分区索引号，
// 每个分区中第N个元素的唯一ID值为：(前一个元素的唯一ID值) + (该RDD总的分区数)
    raw.zipWithUniqueId().saveAsTextFile(path + "/zipWithUniqueId")

// aggregate(zeroValue)(seqOp, combOp) 聚合
// 首先通过seqOp对分区内的元素进行聚合操作并返回结果
// 随后通过combOp对所有分区的结果和初始值zeroValue进行聚合操作返回最终结果
    raw.aggregate(1)({ (x, y) => x + y }, { (a, b) => a + b })

// fold是aggregate的简化，将aggregate中的seqOp和combOp使用同一个函数op
    raw.fold(1)({ (x, y) => x + y })



// saveAsTextFile 将RDD以文本文件的格式存储到文件系统中,可以通过参数指定压缩类型
// saveAsSequenceFile 将RDD以SequenceFile的文件格式保存到HDFS上 用法同saveAsTextFile
// saveAsObjectFile 将RDD中的元素序列化成对象，存储到文件中 用法同saveAsTextFile

// saveAsHadoopFile 是将RDD存储在HDFS上的文件中，支持老版本Hadoop API
// 可以指定outputKeyClass outputValueClass以及压缩格式
// saveAsNewAPIHadoopFile用于将RDD数据保存到HDFS上，使用新版本Hadoop API
    raw.zipWithUniqueId().saveAsHadoopFile(path + "/saveAsHadoopFile",
      classOf[Text], classOf[IntWritable], classOf[TextOutputFormat[Text, IntWritable]])

// saveAsHadoopDataset 将RDD保存到除了HDFS的其他存储中，比如HBase
// 在JobConf中，通常需要关注或者设置五个参数：
// 文件的保存路径、key值的class类型、value值的class类型、RDD的输出格式(OutputFormat)、以及压缩相关的参数
// saveAsNewAPIHadoopDataset 同saveAsHadoopDataset,只不过采用新版本Hadoop API
val rdd1 = sc.makeRDD(Array(("A", 2), ("A", 1), ("B", 6), ("B", 3), ("B", 7)))
val jobConf = new JobConf()
    jobConf.setOutputFormat(classOf[TextOutputFormat[Text, IntWritable]])
    jobConf.setOutputKeyClass(classOf[Text])
    jobConf.setOutputValueClass(classOf[IntWritable])
    jobConf.set("mapred.output.dir", path + "/saveAsHadoopDataset")
    rdd1.saveAsHadoopDataset(jobConf)
    jobConf.set("mapred.output.dir", path + "/saveAsNewAPIHadoopDataset")
    raw.zipWithUniqueId().saveAsNewAPIHadoopDataset(jobConf)

// filter 对元素进行过滤，对每个元素调用f函数，返回值为true的元素就保留在RDD中
    raw.filter(_ > 5)
// groupBy 分组函数，对每个元素调用f函数，返回值作为分组的依据。
    raw.groupBy(_ > 5)
// groupByKey
// 将RDD[K,V]中每个K对应的V值，合并到一个集合Iterable[V]中
// 可添加参数numPartitions用于指定分区数
// 可添加爱参数partitioner用于指定分区函数
// 推荐在生产环境中尽量不要使用groupByKey，最好使用reduceByKey
    raw.map((_, 1)).groupByKey(1)
  }
}