Spark算子使用示例

1. 算子分类

从大方向来说，Spark 算子大致可以分为以下两类

1. Transformation：操作是延迟计算的，也就是说从一个RDD 转换生成另一个 RDD 的转换操作不是马上执行，需要等到有 Action 操作的时候才会真正触发运算。
2. Action：会触发 Spark 提交作业（Job），并将数据输出 Spark系统。

从小方向来说，Spark 算子大致可以分为以下三类:

1. Value数据类型的Transformation算子。
2. Key-Value数据类型的Transfromation算子。
3. Action算子

1.1 Value数据类型的Transformation算子

类型	算子
输入分区与输出分区一对一型	map、flatMap、mapPartitions、glom
输入分区与输出分区多对一型	union、cartesian
输入分区与输出分区多对多型	groupBy
输出分区为输入分区子集型	filter、distinct、subtract、sample、takeSample
Cache型	cache、persist

1.2 Key-Value数据类型的Transfromation算子

类型	算子
输入分区与输出分区一对一	mapValues
对单个RDD	combineByKey、reduceByKey、partitionBy
两个RDD聚集	Cogroup
连接	join、leftOutJoin、rightOutJoin

1.3 Action算子

类型	算子
无输出	foreach
HDFS	saveAsTextFile、saveAsObjectFile
Scala集合和数据类型	collect、collectAsMap、reduceByKeyLocally、lookup、count、top、reduce、fold、aggregate

2. Transformation

2.1 map

2.1.1 概述

语法（java）：

static <R> JavaRDD<R> map(Function<T,R> f)

说明：

将原来RDD的每个数据项通过map中的用户自定义函数f映射转变为一个新的元素

2.1.2 Java示例

/**
 * map算子
 * <p>
 * map和foreach算子:
 * 1. 循环map调用元的每一个元素;
 * 2. 执行call函数, 并返回.
 * </p>
 */
private static void map() {
    SparkConf conf = new SparkConf().setAppName(JavaOperatorDemo.class.getSimpleName())
            .setMaster("local");

    JavaSparkContext sc = new JavaSparkContext(conf);

    List<String> datas = Arrays.asList(
"{'id':1,'name':'xl1','pwd':'xl123','sex':2}",
"{'id':2,'name':'xl2','pwd':'xl123','sex':1}",
"{'id':3,'name':'xl3','pwd':'xl123','sex':2}");

    JavaRDD<String> datasRDD = sc.parallelize(datas);

    JavaRDD<User> mapRDD = datasRDD.map(
new Function<String, User>() {
public User call(String v) throws Exception {
                    Gson gson = new Gson();
return gson.fromJson(v, User.class);
                }
            });

    mapRDD.foreach(new VoidFunction<User>() {
public void call(User user) throws Exception {
            System.out.println("id: " + user.id
                    + " name: " + user.name
                    + " pwd: " + user.pwd
                    + " sex:" + user.sex);
        }
    });

    sc.close();
}

// 结果
id: 1 name: xl1 pwd: xl123 sex:2
id: 2 name: xl2 pwd: xl123 sex:1
id: 3 name: xl3 pwd: xl123 sex:2

2.1.3 Scala示例

private def map() {
    val conf = new SparkConf().setAppName(ScalaOperatorDemo.getClass.getSimpleName).setMaster("local")
    val sc = new SparkContext(conf)

    val datas: Array[String] = Array(
"{'id':1,'name':'xl1','pwd':'xl123','sex':2}",
 "{'id':2,'name':'xl2','pwd':'xl123','sex':1}",
 "{'id':3,'name':'xl3','pwd':'xl123','sex':2}")

 sc.parallelize(datas)
 .map(v => {
 new Gson().fromJson(v, classOf[User])
 })
 .foreach(user => {
 println("id: " + user.id
 + " name: " + user.name
 + " pwd: " + user.pwd
 + " sex:" + user.sex)
 })
}

2.2 filter

2.2.1 概述

语法（java）：

JavaPairRDD<K,V> filter(Function<scala.Tuple2<K,V>,Boolean> f)

说明：

对元素进行过滤，对每个元素应用f函数，返回值为true的元素在RDD中保留，返回为false的将过滤掉

2.2.2 Java示例

static void filter() {
    SparkConf conf = new SparkConf().setAppName(JavaOperatorDemo.class.getSimpleName())
.setMaster("local");

    JavaSparkContext sc = new JavaSparkContext(conf);

List<Integer> datas = Arrays.asList(1, 2, 3, 7, 4, 5, 8);

    JavaRDD<Integer> rddData = sc.parallelize(datas);
    JavaRDD<Integer> filterRDD = rddData.filter(
// jdk1.8
// v1 -> v1 >= 3
new Function<Integer, Boolean>() {
public Boolean call(Integer v) throws Exception {
return v >= 3;
                }
            }
    );
    filterRDD.foreach(
// jdk1.8
// v -> System.out.println(v)
new VoidFunction<Integer>() {
                @Override
public void call(Integer integer) throws Exception {
                    System.out.println(integer);
                }
            }
    );
    sc.close();
}

// 结果
3
7
4
5
8

2.2.3 Scala示例

def filter {
    val conf = new SparkConf().setAppName(ScalaOperatorDemo.getClass.getSimpleName).setMaster("local")
    val sc = new SparkContext(conf)

    val datas = Array(1, 2, 3, 7, 4, 5, 8)

    sc.parallelize(datas)
.filter(v => v >= 3)
.foreach(println)
}

2.3 flatMap

2.3.1 简述

语法（java）：

static <U> JavaRDD<U> flatMap(FlatMapFunction<T,U> f)

说明：

与map类似，但每个输入的RDD成员可以产生0或多个输出成员

2.3.2 Java示例

static void flatMap() {
    SparkConf conf = new SparkConf().setAppName(JavaOperatorDemo.class.getSimpleName())
.setMaster("local");

    JavaSparkContext sc = new JavaSparkContext(conf);

    List<String> data = Arrays.asList(
"aa,bb,cc",
"cxf,spring,struts2",
"java,C++,javaScript");
    JavaRDD<String> rddData = sc.parallelize(data);
    JavaRDD<String> flatMapData = rddData.flatMap(
            v -> Arrays.asList(v.split(",")).iterator()
//            new FlatMapFunction<String, String>() {
//                @Override
//                public Iterator<String> call(String t) throws Exception {
//                    List<String> list= Arrays.asList(t.split(","));
//                    return list.iterator();
//                }
//            }
    );
    flatMapData.foreach(v -> System.out.println(v));

    sc.close();
}

// 结果
aa
bb
cc
cxf
spring
struts2
java
C++
javaScript

2.3.3 Scala示例

sc.parallelize(datas)
.flatMap(line => line.split(","))
.foreach(println)

2.4 mapPartitions

2.4.1 概述

语法（java）：

static <U> JavaRDD<U> mapPartitions(
 FlatMapFunction<java.util.Iterator<T>,U> f,
 boolean preservesPartitioning)

说明：

与Map类似，但map中的func作用的是RDD中的每个元素，而mapPartitions中的func作用的对象是RDD的一整个分区。所以func的类型是Iterator\

2.4.2 Java示例

static void mapPartitions() {
    SparkConf conf = new SparkConf().setAppName(JavaOperatorDemo.class.getSimpleName())
.setMaster("local");

    JavaSparkContext sc = new JavaSparkContext(conf);

List<String> names = Arrays.asList("张三1", "李四1", "王五1", "张三2", "李四2",
"王五2", "张三3", "李四3", "王五3", "张三4");

    JavaRDD<String> namesRDD = sc.parallelize(names, 3);
    JavaRDD<String> mapPartitionsRDD = namesRDD.mapPartitions(
new FlatMapFunction<Iterator<String>, String>() {
                int count = 0;
                @Override
public Iterator<String> call(Iterator<String> stringIterator) throws Exception {
List<String> list = new ArrayList<String>();
while (stringIterator.hasNext()) {
list.add("分区索引:" + count++ + "\t" + stringIterator.next());
                    }
return list.iterator();
                }
            }
    );

// 从集群获取数据到本地内存中
List<String> result = mapPartitionsRDD.collect();
    result.forEach(System.out::println);

    sc.close();
}

// 结果
分区索引:0  张三1
分区索引:1  李四1
分区索引:2  王五1
分区索引:0  张三2
分区索引:1  李四2
分区索引:2  王五2
分区索引:0  张三3
分区索引:1  李四3
分区索引:2  王五3
分区索引:3  张三4

2.4.3 Scala示例

sc.parallelize(datas, 3)
.mapPartitions(
            n => {
                val result = ArrayBuffer[String]()
                while (n.hasNext) {
                    result.append(n.next())
                }
                result.iterator
            }
        )
.foreach(println)

2.5 mapPartitionsWithIndex

2.5.1 概述

语法（java）：

static <R> JavaRDD<R> mapPartitionsWithIndex(
 Function2<Integer, java.util.Iterator<T>, java.util.Iterator<R>> f,
 boolean preservesPartitioning)

说明：

与mapPartitions类似，但输入会多提供一个整数表示分区的编号，所以func的类型是(Int, Iterator\

2.5.2 Java示例

private static void mapPartitionsWithIndex() {
    SparkConf conf = new SparkConf().setAppName(JavaOperatorDemo.class.getSimpleName())
.setMaster("local");

    JavaSparkContext sc = new JavaSparkContext(conf);

List<String> names = Arrays.asList("张三1", "李四1", "王五1", "张三2", "李四2",
"王五2", "张三3", "李四3", "王五3", "张三4");

// 初始化，分为3个分区
    JavaRDD<String> namesRDD = sc.parallelize(names, 3);
    JavaRDD<String> mapPartitionsWithIndexRDD = namesRDD.mapPartitionsWithIndex(
new Function2<Integer, Iterator<String>, Iterator<String>>() {

private static final long serialVersionUID = 1L;

public Iterator<String> call(Integer v1, Iterator<String> v2) throws Exception {
List<String> list = new ArrayList<String>();
while (v2.hasNext()) {
list.add("分区索引:" + v1 + "\t" + v2.next());
                    }
return list.iterator();
                }
            },
true);

// 从集群获取数据到本地内存中
List<String> result = mapPartitionsWithIndexRDD.collect();
    result.forEach(System.out::println);

    sc.close();
}

// 结果
分区索引:0  张三1
分区索引:0  李四1
分区索引:0  王五1
分区索引:1  张三2
分区索引:1  李四2
分区索引:1  王五2
分区索引:2  张三3
分区索引:2  李四3
分区索引:2  王五3
分区索引:2  张三4

2.5.3 Scala示例

sc.parallelize(datas, 3)
.mapPartitionsWithIndex(
            (m, n) => {
                val result = ArrayBuffer[String]()
                while (n.hasNext) {
                    result.append("分区索引:" + m + "\t" + n.next())
                }
                result.iterator
            }
        )
.foreach(println)

2.6 sample

2.6.1 概述

语法（java）：

JavaPairRDD<K,V> sample(boolean withReplacement,
double fraction)

JavaPairRDD<K,V> sample(boolean withReplacement,
double fraction,
long seed)

说明：

对RDD进行抽样，其中参数withReplacement为true时表示抽样之后还放回，可以被多次抽样，false表示不放回；fraction表示抽样比例；seed为随机数种子，比如当前时间戳

2.6.2 Java示例

static void sample() {
    SparkConf conf = new SparkConf().setAppName(JavaOperatorDemo.class.getSimpleName())
.setMaster("local");

    JavaSparkContext sc = new JavaSparkContext(conf);

    List<Integer> datas = Arrays.asList(1, 2, 3, 7, 4, 5, 8);

    JavaRDD<Integer> dataRDD = sc.parallelize(datas);
    JavaRDD<Integer> sampleRDD = dataRDD.sample(false, 0.5, System.currentTimeMillis());
    sampleRDD.foreach(v -> System.out.println(v));

    sc.close();
}

// 结果
7
4
5

2.6.3 Scala示例

sc.parallelize(datas)
.sample(withReplacement = false, 0.5, System.currentTimeMillis)
.foreach(println)

2.7 union

2.7.1 概述

语法（java）：

JavaPairRDD<K,V> union(JavaPairRDD<K,V> other)

说明：

合并两个RDD，不去重，要求两个RDD中的元素类型一致

2.7.2 Java示例

static void union() {
    SparkConf conf = new SparkConf().setAppName(JavaOperatorDemo.class.getSimpleName())
.setMaster("local");

    JavaSparkContext sc = new JavaSparkContext(conf);

    List<String> datas1 = Arrays.asList("张三", "李四");
    List<String> datas2 = Arrays.asList("tom", "gim");

    JavaRDD<String> data1RDD = sc.parallelize(datas1);
    JavaRDD<String> data2RDD = sc.parallelize(datas2);

    JavaRDD<String> unionRDD = data1RDD
.union(data2RDD);

    unionRDD.foreach(v -> System.out.println(v));

    sc.close();
}

// 结果
张三
李四
tom
gim

2.7.3 Scala示例

// sc.parallelize(datas1)
//     .union(sc.parallelize(datas2))
//     .foreach(println)

// 或

(sc.parallelize(datas1) ++ sc.parallelize(datas2))
.foreach(println)

2.8 intersection

2.8.1 概述

语法（java）：

JavaPairRDD<K,V> intersection(JavaPairRDD<K,V> other)

说明：

返回两个RDD的交集

2.8.2 Java示例

static void intersection(JavaSparkContext sc) {
    List<String> datas1 = Arrays.asList("张三", "李四", "tom");
    List<String> datas2 = Arrays.asList("tom", "gim");

    sc.parallelize(datas1)
.intersection(sc.parallelize(datas2))
.foreach(v -> System.out.println(v));
}

// 结果
tom

2.8.3 Scala示例

sc.parallelize(datas1)
.intersection(sc.parallelize(datas2))
.foreach(println)

2.9 distinct

2.9.1 概述

语法（java）：

JavaPairRDD<K,V> distinct(int numPartitions)

JavaPairRDD<K,V> distinct()

说明：

对原RDD进行去重操作，返回RDD中没有重复的成员

2.9.2 Java示例

static void distinct(JavaSparkContext sc) {
    List<String> datas = Arrays.asList("张三", "李四", "tom", "张三");

    sc.parallelize(datas)
.distinct()
.foreach(v -> System.out.println(v));
}

// 结果
张三
tom
李四

2.9.3 Scala示例

sc.parallelize(datas)
.distinct()
.foreach(println)

2.10 groupByKey

2.10.1 概述

语法（java）：

JavaPairRDD<U,Iterable<T>> groupBy(Function<T,U> f)

JavaPairRDD<U,Iterable<T>> groupBy(Function<T,U> f, int numPartitions)


JavaPairRDD<K,Iterable<V>> groupByKey()

JavaPairRDD<K,Iterable<V>> groupByKey(int numPartitions)

JavaPairRDD<K,Iterable<V>> groupByKey(Partitioner partitioner)

说明：

对<key, value>结构的RDD进行类似RMDB的group by聚合操作，具有相同key的RDD成员的value会被聚合在一起，返回的RDD的结构是(key, Iterator<value>)

2.10.2 Java示例

static void groupBy(JavaSparkContext sc) {
    List<Integer> datas = Arrays.asList(1, 2, 3, 4, 5, 6, 7, 8, 9);

    sc.parallelize(datas)
.groupBy(new Function<Integer, Object>() {
                @Override
                public Object call(Integer v1) throws Exception {
                    return (v1 % 2 == 0) ? "偶数" : "奇数";
                }
            })
.collect()
.forEach(System.out::println);


    List<String> datas2 = Arrays.asList("dog", "tiger", "lion", "cat", "spider", "eagle");

    sc.parallelize(datas2)
.keyBy(v1 -> v1.length())
.groupByKey()
.collect()
.forEach(System.out::println);
}

// 结果
(奇数,[1, 3, 5, 7, 9])
(偶数,[2, 4, 6, 8])

(4,[lion])
(6,[spider])
(3,[dog, cat])
(5,[tiger, eagle])

2.10.3 Scala示例

def groupBy(sc: SparkContext): Unit = {
    sc.parallelize(1 to 9, 3)
        .groupBy(x => {
if (x % 2 == 0) "偶数"
else "奇数"
        })
        .collect()
        .foreach(println)

    val datas2 = Array("dog", "tiger", "lion", "cat", "spider", "eagle")
    sc.parallelize(datas2)
        .keyBy(_.length)
        .groupByKey()
        .collect()
        .foreach(println)
}

2.11 reduceByKey

2.11.1 概述

语法（java）：

JavaPairRDD<K,V> reduceByKey(Partitioner partitioner,
                         Function2<V,V,V> func)

JavaPairRDD<K,V> reduceByKey(Function2<V,V,V> func,
                         int numPartitions)

JavaPairRDD<K,V> reduceByKey(Function2<V,V,V> func)

说明：

对<key, value>结构的RDD进行聚合，对具有相同key的value调用func来进行reduce操作，func的类型必须是(V, V) => V

2.11.2 Java示例

static void reduceByKey(JavaSparkContext sc) {
    JavaRDD<String> lines = sc.textFile("file:///Users/zhangws/opt/spark-2.0.1-bin-hadoop2.6/README.md");

    JavaRDD<String> wordsRDD = lines.flatMap(new FlatMapFunction<String, String>() {

private static final long serialVersionUID = 1L;

public Iterator<String> call(String line) throws Exception {
            List<String> words = Arrays.asList(line.split(" "));
return words.iterator();
        }
    });

    JavaPairRDD<String, Integer> wordsCount = wordsRDD.mapToPair(new PairFunction<String, String, Integer>() {

private static final long serialVersionUID = 1L;

public Tuple2<String, Integer> call(String word) throws Exception {
return new Tuple2<String, Integer>(word, 1);
        }
    });

    JavaPairRDD<String, Integer> resultRDD = wordsCount.reduceByKey(new Function2<Integer, Integer, Integer>() {

private static final long serialVersionUID = 1L;

public Integer call(Integer v1, Integer v2) throws Exception {
return v1 + v2;
        }
    });

    resultRDD.foreach(new VoidFunction<Tuple2<String, Integer>>() {

private static final long serialVersionUID = 1L;

public void call(Tuple2<String, Integer> t) throws Exception {
            System.out.println(t._1 + "\t" + t._2());
        }
    });

    sc.close();
}

// 结果
package 1
For 3
Programs    1
（略）

2.11.3 Scala示例

val textFile = sc.textFile("file:///home/zkpk/spark-2.0.1/README.md")
val words = textFile.flatMap(line => line.split(" "))
val wordPairs = words.map(word => (word, 1))
val wordCounts = wordPairs.reduceByKey((a, b) => a + b)
println("wordCounts: ")
wordCounts.collect().foreach(println)

2.12 aggregateByKey

2.12.1 概述

语法（java）：

<U> JavaPairRDD<K,U> aggregateByKey(U zeroValue,
                                Partitioner partitioner,
                                Function2<U,V,U> seqFunc,
                                Function2<U,U,U> combFunc)

<U> JavaPairRDD<K,U> aggregateByKey(U zeroValue,
                                int numPartitions,
                                Function2<U,V,U> seqFunc,
                                Function2<U,U,U> combFunc)

<U> JavaPairRDD<K,U> aggregateByKey(U zeroValue,
                                Function2<U,V,U> seqFunc,
                                Function2<U,U,U> combFunc)

说明：

aggregateByKey函数对PairRDD中相同Key的值进行聚合操作，在聚合过程中同样使用了一个中立的初始值。和aggregate函数类似，aggregateByKey返回值得类型不需要和RDD中value的类型一致。因为aggregateByKey是对相同Key中的值进行聚合操作，所以aggregateByKey函数最终返回的类型还是Pair RDD，对应的结果是Key和聚合好的值；而aggregate函数直接返回非RDD的结果。

参数：

1. zeroValue：表示在每个分区中第一次拿到key值时,用于创建一个返回类型的函数,这个函数最终会被包装成先生成一个返回类型,然后通过调用seqOp函数,把第一个key对应的value添加到这个类型U的变量中。
2. seqOp：这个用于把迭代分区中key对应的值添加到zeroValue创建的U类型实例中。
3. combOp：这个用于合并每个分区中聚合过来的两个U类型的值。

2.12.2 Java示例

static void aggregateByKey(JavaSparkContext sc) {
List<Tuple2<Integer, Integer>> datas = new ArrayList<>();
    datas.add(new Tuple2<>(1, 3));
    datas.add(new Tuple2<>(1, 2));
    datas.add(new Tuple2<>(1, 4));
    datas.add(new Tuple2<>(2, 3));

    sc.parallelizePairs(datas, 2)
.aggregateByKey(
0,
new Function2<Integer, Integer, Integer>() {
                        @Override
public Integer call(Integer v1, Integer v2) throws Exception {
                            System.out.println("seq: " + v1 + "\t" + v2);
return Math.max(v1, v2);
                        }
                    },
new Function2<Integer, Integer, Integer>() {
                        @Override
public Integer call(Integer v1, Integer v2) throws Exception {
                            System.out.println("comb: " + v1 + "\t" + v2);
return v1 + v2;
                        }
                    })
.collect()
.forEach(System.out::println);
}

2.12.3 Scala示例

def aggregateByKey(sc: SparkContext): Unit = {

    // 合并在同一个partition中的值，a的数据类型为zeroValue的数据类型，b的数据类型为原value的数据类型
def seq(a:Int, b:Int): Int = {
        println("seq: " + a + "\t" + b)
        math.max(a, b)
    }

    // 合并在不同partition中的值，a,b的数据类型为zeroValue的数据类型
def comb(a:Int, b:Int): Int = {
        println("comb: " + a + "\t" + b)
        a + b
    }

    // 数据拆分成两个分区
    // 分区一数据: (1,3) (1,2)
    // 分区二数据: (1,4) (2,3)
    // zeroValue 中立值，定义返回value的类型，并参与运算
    // seqOp 用来在一个partition中合并值的
    // 分区一相同key的数据进行合并
    // seq: 0   3  (1,3)开始和中位值合并为3
    // seq: 3   2  (1,2)再次合并为3
    // 分区二相同key的数据进行合并
    // seq: 0   4  (1,4)开始和中位值合并为4
    // seq: 0   3  (2,3)开始和中位值合并为3
    // comb 用来在不同partition中合并值的
    // 将两个分区的结果进行合并
    // key为1的, 两个分区都有, 合并为(1,7)
    // key为2的, 只有一个分区有, 不需要合并(2,3)
    sc.parallelize(List((1, 3), (1, 2), (1, 4), (2, 3)), 2)
        .aggregateByKey(0)(seq, comb)
        .collect()
        .foreach(println)
}

// 结果
(2,3)
(1,7)

2.13 sortByKey

2.13.1 概述

语法（java）：

JavaRDD<T> sortBy(Function<T,S> f,
                  boolean ascending,
                  int numPartitions)


JavaPairRDD<K,V> sortByKey()

JavaPairRDD<K,V> sortByKey(boolean ascending)

JavaPairRDD<K,V> sortByKey(boolean ascending,
                       int numPartitions)

JavaPairRDD<K,V> sortByKey(java.util.Comparator<K> comp)

JavaPairRDD<K,V> sortByKey(java.util.Comparator<K> comp,
                       boolean ascending)

JavaPairRDD<K,V> sortByKey(java.util.Comparator<K> comp,
                       boolean ascending,
                       int numPartitions)

说明：

对<key, value>结构的RDD进行升序或降序排列

参数：

1. comp：排序时的比较运算方式。
2. ascending：false降序；true升序。

2.13.2 Java示例

static void sortByKey(JavaSparkContext sc) {

    List<Integer> datas = Arrays.asList(60, 70, 80, 55, 45, 75);

//    sc.parallelize(datas)
//            .sortBy(new Function<Integer, Object>() {
//                @Override
//                public Object call(Integer v1) throws Exception {
//                    return v1;
//                }
//            }, true, 1)
//            .foreach(v -> System.out.println(v));

    sc.parallelize(datas)
            .sortBy((Integer v1) -> v1, false, 1)
 .foreach(v -> System.out.println(v));

List<Tuple2<Integer, Integer>> datas2 = new ArrayList<>();
datas2.add(new Tuple2<>(3, 3));
datas2.add(new Tuple2<>(2, 2));
datas2.add(new Tuple2<>(1, 4));
datas2.add(new Tuple2<>(2, 3));

sc.parallelizePairs(datas2)
 .sortByKey(false)
 .foreach(v -> System.out.println(v));
}

// 结果
80
75
70
60
55
45

(3,3)
(2,2)
(2,3)
(1,4)

2.13.3 Scala示例

def sortByKey(sc: SparkContext) : Unit = {
    sc.parallelize(Array(60, 70, 80, 55, 45, 75))
        .sortBy(v => v, false)
        .foreach(println)

    sc.parallelize(List((3, 3), (2, 2), (1, 4), (2, 3)))
        .sortByKey(true)
        .foreach(println)
}

2.14 join

2.14.1 概述

语法（java）：

JavaPairRDD<K,scala.Tuple2<V,W>> join(JavaPairRDD<K,W> other)

JavaPairRDD<K,scala.Tuple2<V,W>> join(
         JavaPairRDD<K,W> other,
         int numPartitions)

JavaPairRDD<K,scala.Tuple2<V,W>> join(
         JavaPairRDD<K,W> other,
         Partitioner partitioner)

说明：

对<K, V>和<K, W>进行join操作，返回(K, (V, W))外连接函数为leftOuterJoin、rightOuterJoin和fullOuterJoin

2.14.2 Java示例

static void join(JavaSparkContext sc) {
List<Tuple2<Integer, String>> products = new ArrayList<>();
    products.add(new Tuple2<>(1, "苹果"));
    products.add(new Tuple2<>(2, "梨"));
    products.add(new Tuple2<>(3, "香蕉"));
    products.add(new Tuple2<>(4, "石榴"));

List<Tuple2<Integer, Integer>> counts = new ArrayList<>();
    counts.add(new Tuple2<>(1, 7));
    counts.add(new Tuple2<>(2, 3));
    counts.add(new Tuple2<>(3, 8));
    counts.add(new Tuple2<>(4, 3));
    counts.add(new Tuple2<>(5, 9));

    JavaPairRDD<Integer, String> productsRDD = sc.parallelizePairs(products);
    JavaPairRDD<Integer, Integer> countsRDD = sc.parallelizePairs(counts);

    productsRDD.join(countsRDD)
.foreach(v -> System.out.println(v));
}

// 结果
(4,(石榴,3))
(1,(苹果,7))
(3,(香蕉,8))
(2,(梨,3))

2.14.3 Scala示例

sc.parallelize(List((1, "苹果"), (2, "梨"), (3, "香蕉"), (4, "石榴")))
.join(sc.parallelize(List((1, 7), (2, 3), (3, 8), (4, 3), (5, 9))))
.foreach(println)

2.15 cogroup

2.15.1 概述

语法（java）：

JavaPairRDD<K,scala.Tuple2<Iterable<V>,Iterable<W>>> cogroup(JavaPairRDD<K,W> other,
 Partitioner partitioner)

JavaPairRDD<K,scala.Tuple3<Iterable<V>,Iterable<W1>,Iterable<W2>>> cogroup(JavaPairRDD<K,W1> other1,
 JavaPairRDD<K,W2> other2,
 Partitioner partitioner)

JavaPairRDD<K,scala.Tuple4<Iterable<V>,Iterable<W1>,Iterable<W2>,Iterable<W3>>> cogroup(JavaPairRDD<K,W1> other1,
 JavaPairRDD<K,W2> other2,
 JavaPairRDD<K,W3> other3,
 Partitioner partitioner)

JavaPairRDD<K,scala.Tuple2<Iterable<V>,Iterable<W>>> cogroup(JavaPairRDD<K,W> other)

JavaPairRDD<K,scala.Tuple3<Iterable<V>,Iterable<W1>,Iterable<W2>>> cogroup(JavaPairRDD<K,W1> other1,
 JavaPairRDD<K,W2> other2)

JavaPairRDD<K,scala.Tuple4<Iterable<V>,Iterable<W1>,Iterable<W2>,Iterable<W3>>> cogroup(JavaPairRDD<K,W1> other1,
 JavaPairRDD<K,W2> other2,
 JavaPairRDD<K,W3> other3)

JavaPairRDD<K,scala.Tuple2<Iterable<V>,Iterable<W>>> cogroup(JavaPairRDD<K,W> other,
 int numPartitions)

JavaPairRDD<K,scala.Tuple3<Iterable<V>,Iterable<W1>,Iterable<W2>>> cogroup(JavaPairRDD<K,W1> other1,
 JavaPairRDD<K,W2> other2,
 int numPartitions)

JavaPairRDD<K,scala.Tuple4<Iterable<V>,Iterable<W1>,Iterable<W2>,Iterable<W3>>> cogroup(JavaPairRDD<K,W1> other1,
 JavaPairRDD<K,W2> other2,
 JavaPairRDD<K,W3> other3,
 int numPartitions)

说明：

cogroup:对多个RDD中的KV元素，每个RDD中相同key中的元素分别聚合成一个集合。与reduceByKey不同的是针对两个RDD中相同的key的元素进行合并。

2.15.2 Java示例

static void cogroup(JavaSparkContext sc) {
List<Tuple2<Integer, String>> datas1 = new ArrayList<>();
    datas1.add(new Tuple2<>(1, "苹果"));
    datas1.add(new Tuple2<>(2, "梨"));
    datas1.add(new Tuple2<>(3, "香蕉"));
    datas1.add(new Tuple2<>(4, "石榴"));

List<Tuple2<Integer, Integer>> datas2 = new ArrayList<>();
    datas2.add(new Tuple2<>(1, 7));
    datas2.add(new Tuple2<>(2, 3));
    datas2.add(new Tuple2<>(3, 8));
    datas2.add(new Tuple2<>(4, 3));


List<Tuple2<Integer, String>> datas3 = new ArrayList<>();
    datas3.add(new Tuple2<>(1, "7"));
    datas3.add(new Tuple2<>(2, "3"));
    datas3.add(new Tuple2<>(3, "8"));
    datas3.add(new Tuple2<>(4, "3"));
    datas3.add(new Tuple2<>(4, "4"));
    datas3.add(new Tuple2<>(4, "5"));
    datas3.add(new Tuple2<>(4, "6"));

    sc.parallelizePairs(datas1)
.cogroup(sc.parallelizePairs(datas2),
                    sc.parallelizePairs(datas3))
.foreach(v -> System.out.println(v));
}

// 结果
(4,([石榴],[3],[3, 4, 5, 6]))
(1,([苹果],[7],[7]))
(3,([香蕉],[8],[8]))
(2,([梨],[3],[3]))

2.15.3 Scala示例

def cogroup(sc: SparkContext): Unit = {
    val datas1 = List((1, "苹果"),
        (2, "梨"),
        (3, "香蕉"),
        (4, "石榴"))

    val datas2 = List((1, 7),
        (2, 3),
        (3, 8),
        (4, 3))


    val datas3 = List((1, "7"),
        (2, "3"),
        (3, "8"),
        (4, "3"),
        (4, "4"),
        (4, "5"),
        (4, "6"))

    sc.parallelize(datas1)
        .cogroup(sc.parallelize(datas2),
            sc.parallelize(datas3))
        .foreach(println)
}

// 结果
(4,(CompactBuffer(石榴),CompactBuffer(3),CompactBuffer(3, 4, 5, 6)))
(1,(CompactBuffer(苹果),CompactBuffer(7),CompactBuffer(7)))
(3,(CompactBuffer(香蕉),CompactBuffer(8),CompactBuffer(8)))
(2,(CompactBuffer(梨),CompactBuffer(3),CompactBuffer(3)))

2.16 cartesian

2.16.1 概述

语法（java）：

static <U> JavaPairRDD<T,U> cartesian(JavaRDDLike<U,?> other)

说明：

两个RDD进行笛卡尔积合并

2.16.2 Java示例

static void cartesian(JavaSparkContext sc) {
List<String> names = Arrays.asList("张三", "李四", "王五");
List<Integer> scores = Arrays.asList(60, 70, 80);

    JavaRDD<String> namesRDD = sc.parallelize(names);
    JavaRDD<Integer> scoreRDD = sc.parallelize(scores);

    JavaPairRDD<String, Integer> cartesianRDD = namesRDD.cartesian(scoreRDD);
    cartesianRDD.foreach(new VoidFunction<Tuple2<String, Integer>>() {

private static final long serialVersionUID = 1L;

public void call(Tuple2<String, Integer> t) throws Exception {
            System.out.println(t._1 + "\t" + t._2());
        }
    });
}

// 结果
张三  60
张三  70
张三  80
李四  60
李四  70
李四  80
王五  60
王五  70
王五  80

2.16.3 Scala示例

namesRDD.cartesian(scoreRDD)
.foreach(println)

2.17 pipe

2.17.1 概述

语法（java）：

JavaRDD<String> pipe(String command)

JavaRDD<String> pipe(java.util.List<String> command)

JavaRDD<String> pipe(java.util.List<String> command,
                   java.util.Map<String,String> env)

JavaRDD<String> pipe(java.util.List<String> command,
                   java.util.Map<String,String> env,
                   boolean separateWorkingDir,
                   int bufferSize)

static JavaRDD<String> pipe(java.util.List<String> command,
                 java.util.Map<String,String> env,
                 boolean separateWorkingDir,
                 int bufferSize,
String encoding)

说明：

执行cmd命令，创建RDD

2.17.2 Java示例

static void pipe(JavaSparkContext sc) {
    List<String> datas = Arrays.asList("hi", "hello", "how", "are", "you");
    sc.parallelize(datas)
.pipe("/Users/zhangws/echo.sh")
.collect()
.forEach(System.out::println);
}

2.17.3 Scala示例

echo.sh内容

#!/bin/bash
echo "Running shell script"
RESULT=""
while read LINE; do
  RESULT=${RESULT}" "${LINE}
done

echo ${RESULT} > /Users/zhangws/out123.txt

测试代码

def pipe(sc: SparkContext): Unit = {
    val data = List("hi", "hello", "how", "are", "you")
    sc.makeRDD(data)
        .pipe("/Users/zhangws/echo.sh")
        .collect()
        .foreach(println)
}

结果

# out123.txt
hi hello how are you

# 输出
Running shell script

2.18 coalesce

2.18.1 概述

语法（java）：

JavaRDD<T> coalesce(int numPartitions)

JavaRDD<T> coalesce(int numPartitions,
boolean shuffle)

JavaPairRDD<K,V> coalesce(int numPartitions)

JavaPairRDD<K,V> coalesce(int numPartitions,
boolean shuffle)

说明：

用于将RDD进行重分区，使用HashPartitioner。且该RDD的分区个数等于numPartitions个数。如果shuffle设置为true，则会进行shuffle。

2.18.2 Java示例

static void coalesce(JavaSparkContext sc) {
    List<String> datas = Arrays.asList("hi", "hello", "how", "are", "you");
    JavaRDD<String> datasRDD = sc.parallelize(datas, 4);
    System.out.println("RDD的分区数: " + datasRDD.partitions().size());
    JavaRDD<String> datasRDD2 = datasRDD.coalesce(2);
    System.out.println("RDD的分区数: " + datasRDD2.partitions().size());
}

// 结果
RDD的分区数: 4
RDD的分区数: 2

2.18.3 Scala示例

def coalesce(sc: SparkContext): Unit = {
    val datas = List("hi", "hello", "how", "are", "you")
    val datasRDD = sc.parallelize(datas, 4)
    println("RDD的分区数: " + datasRDD.partitions.length)
    val datasRDD2 = datasRDD.coalesce(2)
    println("RDD的分区数: " + datasRDD2.partitions.length)
}

2.19 repartition

2.19.1 概述

语法（java）：

JavaRDD<T> repartition(int numPartitions)

JavaPairRDD<K,V> repartition(int numPartitions)

说明：

该函数其实就是coalesce函数第二个参数为true的实现

示例略

2.20 repartitionAndSortWithinPartitions

2.20.1 概述

语法（java）：

JavaPairRDD<K,V> repartitionAndSortWithinPartitions(Partitioner partitioner)

JavaPairRDD<K,V> repartitionAndSortWithinPartitions(Partitioner partitioner,
                                                  java.util.Comparator<K> comp)

说明：

根据给定的Partitioner重新分区，并且每个分区内根据comp实现排序。

2.20.2 Java示例

static void repartitionAndSortWithinPartitions(JavaSparkContext sc) {
    List<String> datas = new ArrayList<>();
    Random random = new Random(1);
for (int i = 0; i < 10; i++) {
for (int j = 0; j < 100; j++) {
            datas.add(String.format("product%02d,url%03d", random.nextInt(10), random.nextInt(100)));
        }
    }
    JavaRDD<String> datasRDD = sc.parallelize(datas);
    JavaPairRDD<String, String> pairRDD = datasRDD.mapToPair((String v) -> {
 String[] values = v.split(",");
return new Tuple2<>(values[0], values[1]);
 });
JavaPairRDD<String, String> partSortRDD = pairRDD.repartitionAndSortWithinPartitions(
new Partitioner() {

@Override
 public int numPartitions() {
return 10;
 }

@Override
 public int getPartition(Object key) {
return Integer.valueOf(((String) key).substring(7));
 }
 }
 );
partSortRDD.collect()
 .forEach(System.out::println);
}

// 结果
(product00,url099)
(product00,url006)
(product00,url088)
略
(product09,url004)
(product09,url021)
(product09,url036)

2.20.3 Scala示例

def repartitionAndSortWithinPartitions(sc: SparkContext): Unit = {

def partitionFunc(key:String): Int = {
        key.substring(7).toInt
    }

    val datas = new Array[String](1000)
    val random = new Random(1)
for (i <- 0 until 10; j <- 0 until 100) {
        val index: Int = i * 100 + j
        datas(index) = "product" + random.nextInt(10) + ",url" + random.nextInt(100)
    }
    val datasRDD = sc.parallelize(datas)
    val pairRDD = datasRDD.map(line => (line, 1))
        .reduceByKey((a, b) => a + b)
//        .foreach(println)

    pairRDD.repartitionAndSortWithinPartitions(new Partitioner() {
        override def numPartitions: Int = 10

        override def getPartition(key: Any): Int = {
            val str = String.valueOf(key)
            str.substring(7, str.indexOf(',')).toInt
        }
    }).foreach(println)
}

3. Action

3.1 reduce

3.1.1 概述

语法（java）：

static T reduce(Function2<T,T,T> f)

说明：

对RDD成员使用func进行reduce操作，func接受两个参数，合并之后只返回一个值。reduce操作的返回结果只有一个值。需要注意的是，func会并发执行

3.1.2 Scala示例

def reduce(sc: SparkContext): Unit = {
    println(sc.parallelize(1 to 10)
        .reduce((x, y) => x + y))
}

// 结果
55

3.2 collect

3.2.1 概述

语法（java）：

static java.util.List<T> collect()

说明：

将RDD读取至Driver程序，类型是Array，一般要求RDD不要太大。

示例略

3.3 count

3.3.1 概述

语法（java）：

static long count()

说明：

返回RDD的成员数量

3.3.2 Scala示例

def count(sc: SparkContext): Unit = {
    println(sc.parallelize(1 to 10)
        .count)
}

// 结果
10

3.4 first

3.4.1 概述

语法（java）：

static T first()

说明：

返回RDD的第一个成员，等价于take(1)

3.4.2 Scala示例

def first(sc: SparkContext): Unit = {
    println(sc.parallelize(1 to 10)
        .first())
}

// 结果
1

3.5 take

3.5.1 概述

语法（java）：

static java.util.List<T> take(int num)

说明：

返回RDD前n个成员

3.5.2 Scala示例

def take(sc: SparkContext): Unit = {
    sc.parallelize(1 to 10)
        .take(2).foreach(println)
}

// 结果
1
2

3.6 takeSample

3.6.1 概述

语法（java）：

static java.util.List<T> takeSample(boolean withReplacement,
int num,
long seed)

说明：

和sample用法相同，只不第二个参数换成了个数。返回也不是RDD，而是collect。

3.6.2 Scala示例

def takeSample(sc: SparkContext): Unit = {
    sc.parallelize(1 to 10)
        .takeSample(withReplacement = false, 3, 1)
        .foreach(println)
}

// 结果
1
8
10

3.7 takeOrdered

3.7.1 概述

语法（java）：

java.util.List<T> takeOrdered(int num)

java.util.List<T> takeOrdered(int num,
                          java.util.Comparator<T> comp)

说明：

用于从RDD中，按照默认（升序）或指定排序规则，返回前num个元素。

3.7.2 Scala示例

def takeOrdered(sc: SparkContext): Unit = {
    sc.parallelize(Array(5,6,2,1,7,8))
        .takeOrdered(3)(new Ordering[Int](){
            override def compare(x: Int, y: Int): Int = y.compareTo(x)
        })
        .foreach(println)
}

// 结果
8
7
6

3.8 saveAsTextFile

3.8.1 概述

语法（java）：

void saveAsTextFile(String path)

void saveAsTextFile(String path,
Class<? extends org.apache.hadoop.io.compress.CompressionCodec> codec)

说明：

将RDD转换为文本内容并保存至路径path下，可能有多个文件(和partition数有关)。路径path可以是本地路径或HDFS地址，转换方法是对RDD成员调用toString函数

3.8.2 Scala示例

def saveAsTextFile(sc: SparkContext): Unit = {
    sc.parallelize(Array(5,6,2,1,7,8))
            .saveAsTextFile("/Users/zhangws/Documents/test")
}

// 结果
/Users/zhangws/Documents/test目录下
_SUCCESS
part-00000

// part-00000文件内容
5
6
2
1
7
8

3.9 saveAsSequenceFile

3.9.1 概述

语法（java）：

def saveAsSequenceFile(path: String, codec: Option[Class[_ <: CompressionCodec]] = None): Unit

说明：

与saveAsTextFile类似，但以SequenceFile格式保存，成员类型必须实现Writeable接口或可以被隐式转换为Writable类型（比如基本Scala类型Int、String等）

示例略

3.10 saveAsObjectFile

3.10.1 概述

语法（java）：

static void saveAsObjectFile(String path)

说明：

用于将RDD中的元素序列化成对象，存储到文件中。对于HDFS，默认采用SequenceFile保存。

示例略

3.11 countByKey

3.11.1 概述

语法（java）：

java.util.Map<K,Long> countByKey()

说明：

仅适用于(K, V)类型，对key计数，返回(K, Int)

3.11.2 Scala示例

def reduce(sc: SparkContext): Unit = {
    println(sc.parallelize(Array(("A", 1), ("B", 6), ("A", 2), ("C", 1), ("A", 7), ("A", 8)))
.countByKey())
}

// 结果
Map(B -> 1, A -> 4, C -> 1)

3.12 foreach

3.12.1 概述

语法（java）：

static void foreach(VoidFunction<T> f)

说明：

对RDD中的每个成员执行func，没有返回值，常用于更新计数器或输出数据至外部存储系统。这里需要注意变量的作用域

3.12.2 Java示例

forEach(System.out::println);

forEach(v -> System.out.println(v));

3.12.3 Scala示例

foreach(println)

4. 参考

Spark中parallelize函数和makeRDD函数的区别

spark transformation算子

Spark的算子的分类

Spark函数讲解：aggregateByKey

pyspark和spark pipe性能对比 用例程序

Spark Rdd coalesce()方法和repartition()方法

Spark如何解决常见的Top N问题

【Spark Java API】Action(4)—sortBy、takeOrdered、takeSample