Spark学习笔记3——RDD（下）

2021-08-21 23:40:17

Spark学习笔记3——RDD（下）

笔记摘抄自 [美] Holden Karau 等著的《Spark快速大数据分析》

向Spark传递函数

大部分 Spark 的转化操作和一部分行动操作，都需要传递函数后进行计算。如何传递函数下文将用 Java 展示。

Java 向 Spark 传递函数需要实现 Spark 的 org.apache.spark.api.java.function 包中的接口。一些基本的接口如下表：

函数名 实现的方法 用途
Function<T, R> R call(T) 接收一个输入值并返回一个输出值，用于类似map() 和
filter() 等操作中
Function2<T1, T2, R> R call(T1, T2) 接收两个输入值并返回一个输出值，用于类似aggregate()
和fold() 等操作中
FlatMapFunction<T, R> Iterable call(T) 接收一个输入值并返回任意个输出，用于类似flatMap()
这样的操作中

通过匿名内部类

见上篇笔记例程。

通过具名类传递

class ContainsError implements Function<String, Boolean>() {

public Boolean call(String x) { return x.contains("error"); }

}

...

RDD<String> errors = lines.filter(new ContainsError());
  • 使用具名类在程序组织比较庞大是显得比较清晰
  • 可以使用构造函数如“通过带参数的 Java 函数类传递”中所示

通过带参数的 Java 函数类传递

例程

import org.apache.spark.SparkConf;

import org.apache.spark.api.java.JavaRDD;

import org.apache.spark.api.java.JavaSparkContext;

import org.apache.spark.api.java.function.Function;

import java.util.List;

public class Contains implements Function<String, Boolean> {

    private String query;

    public Contains(String query) {

        this.query = query;

    }

    public Boolean call(String x) {

        return x.contains(query);

    }

    public static void main(String[] args) {

        SparkConf sc = new SparkConf().setAppName("Contains");

        JavaSparkContext javaSparkContext = new JavaSparkContext(sc);

        JavaRDD<String> log = javaSparkContext.textFile(args[0]);

        JavaRDD<String> content = log.filter(new Contains(args[1]));

        List<String> contentList = content.collect();

        for (String output : contentList) {

            System.out.println(output);

        }

        javaSparkContext.stop();

    }

}

测试文本 test.txt

this is a test

this is a simple test

this is a simple test about RDD

let us check it out

测试结果

[root@server1 spark-2.4.4-bin-hadoop2.7]# bin/spark-submit --class Contains ~/RDDFuncNamedClass.jar ~/test.txt RDD

...

19/09/16 15:06:50 INFO DAGScheduler: Job 0 finished: collect at Contains.java:24, took 0.445049 s

this is a simple test about RDD

...

通过 lambda 表达式传递（仅限于 Java 8 及以上）

例程

import org.apache.spark.SparkConf;

import org.apache.spark.api.java.JavaRDD;

import org.apache.spark.api.java.JavaSparkContext;

import java.util.List;

public class LambdaTest {

    public static void main(final String[] args) {

        SparkConf sc = new SparkConf().setAppName("Contains");

        JavaSparkContext javaSparkContext = new JavaSparkContext(sc);

        JavaRDD<String> log = javaSparkContext.textFile(args[0]);

        JavaRDD<String> content = log.filter(s -> s.contains(args[1]));

        List<String> contentList = content.collect();

        for (String output : contentList) {

            System.out.println(output);

        }

        javaSparkContext.stop();

    }

}

测试文本

使用上文同一个文本

运行结果

[root@server1 spark-2.4.4-bin-hadoop2.7]# bin/spark-submit --class Contains ~/RDDFuncNamedClass.jar ~/test.txt check

...

19/09/16 15:27:10 INFO DAGScheduler: Job 0 finished: collect at Contains.java:24, took 0.440515 s

let us check it out

...

常见的转化操作和行动操作

Spark 中有不同类型的 RDD，不同的 RDD 可以支持不同的操作。

除了基本的RDD外，还有数字类型的 RDD 支持统计型函数操作、键值对形式的 RDD 支持聚合数据的键值对操作等等。

基本RDD

针对各个元素的转化操作

为了方便，代码在 pyspark 中展示：

# map()

# map() 的返回值类型不需要和输入类型一样

>>> nums = sc.parallelize([1, 2, 3, 4])

>>> squared = nums.map(lambda x: x * x).collect()

>>> for num in squared:

...     print "%i " % (num)

...

1

4

9

16

# flatMap()

# 给flatMap() 的函数被分别应用到了输入RDD 的每个元素上。

# 返回的是一个返回值序列的迭代器。

#

>>> lines = sc.parallelize(["hello world", "hi"])

>>> words = lines.flatMap(lambda line: line.split(" "))

>>> words.first()

'hello'

map() 和 flatmap() 区别如下：

Spark学习笔记3——RDD（下）

伪集合操作

RDD 不算是严格意义上的集合，但是一些类似集合的属性让它能够支持许多集合操作，下图展示了常见的集合操作：

Spark学习笔记3——RDD（下）

此外，RDD 还支持笛卡尔积的操作：

Spark学习笔记3——RDD（下）

以下对基本 RDD 的转化操作进行梳理：

  • 单个 RDD {1，2，3，3} 的转化操作
函数名 目的 示例 结果
map() 将函数应用于RDD 中的每个元
素，将返回值构成新的RDD		 rdd.map(x => x + 1) {2, 3, 4, 4}
flatMap() 将函数应用于RDD 中的每个元
素，将返回的迭代器的所有内
容构成新的RDD。通常用来切
分单词		 rdd.flatMap(x => x.to(3)) {1, 2, 3, 2, 3, 3, 3}
filter() 返回一个由通过传给filter()
的函数的元素组成的RDD		 rdd.filter(x => x != 1) {2, 3, 3}
distinct() 去重 rdd.distinct() {1, 2, 3}
sample(withReplacement, fraction, [seed]) 对RDD 采样，以及是否替换 rdd.sample(false, 0.5) 非确定的
  • 两个 RDD {1,2,3},{3,4,5}的 RDD 的转化操作
函数名 目的 示例 结果
union() 生成一个包含两个RDD 中所有元
素的RDD		 rdd.union(other) {1, 2, 3, 3, 4, 5}
intersection() 求两个RDD 共同的元素的RDD rdd.intersection(other) {3}
subtract() 移除一个RDD 中的内容（例如移
除训练数据）		 rdd.subtract(other) {1, 2}
cartesian() 与另一个RDD 的笛卡儿积 rdd.cartesian(other) {(1, 3), (1, 4), ...
(3, 5)}

行动操作

reduce() 与 reduceByKey()

例程[1]

import org.apache.spark.SparkConf;

import org.apache.spark.api.java.JavaPairRDD;

import org.apache.spark.api.java.JavaRDD;

import org.apache.spark.api.java.JavaSparkContext;

import scala.Tuple2;

import java.util.Arrays;

import java.util.List;

public class SimpleReduce {

    public static void main(String[] args) {

        SparkConf sc = new SparkConf().setAppName("Contains");

        JavaSparkContext javaSparkContext = new JavaSparkContext(sc);

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

        JavaRDD<Integer> originRDD = javaSparkContext.parallelize(data);

        Integer sum = originRDD.reduce((a, b) -> a + b);

        System.out.println(sum);

        //reduceByKey，按照相同的key进行reduce操作

        List<String> list = Arrays.asList("key1", "key1", "key2", "key2", "key3");

        JavaRDD<String> stringRDD = javaSparkContext.parallelize(list);

        //转为key-value形式

        JavaPairRDD<String, Integer> pairRDD = stringRDD.mapToPair(k -> new Tuple2<>(k, 1));

        List list1 = pairRDD.reduceByKey((x, y) -> x + y).collect();

        System.out.println(list1);

    }

}

运行结果

...

19/09/17 17:08:37 INFO DAGScheduler: Job 0 finished: reduce at SimpleReduce.java:21, took 0.480038 s

15

...

19/09/17 17:08:38 INFO DAGScheduler: Job 1 finished: collect at SimpleReduce.java:29, took 0.237601 s

[(key3,1), (key1,2), (key2,2)]

...

aggregate()[2]

例程

import org.apache.spark.SparkConf;

import org.apache.spark.api.java.JavaRDD;

import org.apache.spark.api.java.JavaSparkContext;

import org.apache.spark.api.java.function.Function2;

import java.io.Serializable;

import java.util.Arrays;

import java.util.List;

public class AvgCount implements Serializable {

    private AvgCount(int total, int num) {

        this.total = total;

        this.num = num;

    }

    private int total;

    private int num;

    private double avg() {

        return total / (double) num;

    }

    public static void main(String[] args) {

        SparkConf sc = new SparkConf().setAppName("Contains");

        JavaSparkContext javaSparkContext = new JavaSparkContext(sc);

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

        JavaRDD<Integer> rdd = javaSparkContext.parallelize(data);

        AvgCount initial = new AvgCount(0, 0);

        Function2<AvgCount, Integer, AvgCount> addAndCount =

                new Function2<AvgCount, Integer, AvgCount>() {

                    public AvgCount call(AvgCount a, Integer x) {

                        a.total += x;

                        a.num += 1;

                        return a;

                    }

                };

        Function2<AvgCount, AvgCount, AvgCount> combine =

                new Function2<AvgCount, AvgCount, AvgCount>() {

                    public AvgCount call(AvgCount a, AvgCount b) {

                        a.total += b.total;

                        a.num += b.num;

                        return a;

                    }

                };

        AvgCount result = rdd.aggregate(initial, addAndCount, combine);

        System.out.println(result.avg());

    }

}

运行结果

[root@server1 spark-2.4.4-bin-hadoop2.7]# bin/spark-submit --class AvgCount ~/Spark_RDD_Aggregate.jar

...

19/09/18 15:28:19 INFO DAGScheduler: Job 0 finished: aggregate at AvgCount.java:43, took 0.517385 s

3.0

...

常用的行动操作整理

函数名 目的 示例 结果
collect() 返回RDD 中的所有元素 rdd.collect() {1, 2, 3, 3}
count() RDD 中的元素个数 rdd.count() 4
countByValue() 各元素在RDD 中出现的次数 rdd.countByValue() {(1, 1),
(2, 1),
(3, 2)}
take(num) 从RDD 中返回num 个元素 rdd.take(2) {1, 2}
top(num) 从RDD 中返回最前面的num
个元素		 rdd.top(2) {3, 3}
takeOrdered(num)
(ordering)		 从RDD 中按照提供的顺序返
回最前面的num 个元素		 rdd.takeOrdered(2)(myOrdering) {3, 3}
takeSample(withReplace
ment, num, [seed])		 从RDD 中返回任意一些元素 rdd.takeSample(false, 1) 非确定的
reduce(func) 并行整合RDD 中所有数据
（例如sum）		 rdd.reduce((x, y) => x + y) 9
fold(zero)(func) 和reduce() 一样， 但是需要
提供初始值		 rdd.fold(0)((x, y) => x + y) 9
aggregate(zeroValue)
(seqOp, combOp)		 和reduce() 相似， 但是通常
返回不同类型的函数		 rdd.aggregate((0, 0))
((x, y) =>
(x._1 + y, x._2 + 1),
(x, y) =>
(x._1 + y._1, x._2 + y._2))		 (9,4)
foreach(func) 对RDD 中的每个元素使用给
定的函数		 rdd.foreach(func) 无

不同 RDD 的类型转换

Spark 中有些函数只能作用于特定类型的 RDD。例如 mean() 和 variance() 只能处理数值 RDD，join() 只能用于处理键值对 RDD。在 Scala 和 Java 中都没有与之对应的标准 RDD 类，故使用这些函数时必须要确保获得了正确的专用 RDD 类。（Scala 为隐式转换）

下表为 Java 中针对专门类型的函数接口：

函数名 等价函数 用途
DoubleFlatMapFunction Function<T, Iterable> 用于flatMapToDouble，以
生成DoubleRDD
DoubleFunction Function<T, Double> 用于mapToDouble，以生成
DoubleRDD
PairFlatMapFunction<T, K, V> Function<T, Iterable<Tuple2<K, V>>> 用于flatMapToPair，以生
成PairRDD<K, V>
PairFunction<T, K, V> Function<T, Tuple2<K, V>> 用于mapToPair， 以生成
PairRDD<K, V>

例程

以 DoubleFunction 为例：

import org.apache.spark.SparkConf;

import org.apache.spark.api.java.JavaDoubleRDD;

import org.apache.spark.api.java.JavaRDD;

import org.apache.spark.api.java.JavaSparkContext;

import org.apache.spark.api.java.function.DoubleFunction;

import java.util.Arrays;

public class DoubleRDD {

    public static void main(String[] args) {

        SparkConf sparkConf=new SparkConf().setAppName("DoubleRDD");

        JavaSparkContext javaSparkContext=new JavaSparkContext(sparkConf);

        JavaRDD<Integer> rdd = javaSparkContext.parallelize(Arrays.asList(1, 2, 3, 4));

        JavaDoubleRDD result = rdd.mapToDouble(

                new DoubleFunction<Integer>() {

                    public double call(Integer x) {

                        return (double) x * x;

                    }

                });

        System.out.println(result.mean());

    }

}

运行结果

[root@server1 spark-2.4.4-bin-hadoop2.7]# bin/spark-submit --class DoubleRDD ~/Spark_RDD_DoubleRDD.jar

...

19/09/18 16:09:38 INFO DAGScheduler: Job 0 finished: mean at DoubleRDD.java:20, took 0.500705 s

7.5

...

持久化

为了避免多次计算同一个 RDD，我们常常对数据进行持久化处理。具体操作可以参见上一节例程。

Tips：

  • 在Scala 和Java 中，默认情况下 persist() 会把数据以序列化的形式缓存在JVM 的堆空间中
  • 在Python 中，我们会始终序列化要持久化存储的数据，所以持久化级别默认值就是以序列化后的对象存储在JVM 堆空间中
  • 当我们把数据写到磁盘或者堆外存储上时，也总是使用序列化后的数据
  • 缓存的数据太多，内存中放不下，Spark 会自动利用最近最少使用（LRU）的缓存策略把最老的分区从内存中移除
  • unpersist() 可以手动把持久化的RDD 从缓存中移除

持久化级别

级　　别 使用的
空间		 CPU
时间		 是否在
内存中		 是否在
磁盘上		 备注
MEMORY_ONLY 高 低 是 否
MEMORY_ONLY_SER 低 高 是 否
MEMORY_AND_DISK 高 中等 部分 部分 如果数据在内存中放不下，则溢写到磁盘上
MEMORY_AND_DISK_SER 低 高 部分 部分 如果数据在内存中放不下，则溢写到磁盘上。在内存中存放序列化后的数据
DISK_ONLY 低 高 否 是

P.s.

可以通过在存储级别的末尾加上“_2”来把持久化数据存为两份

  1. 摘自天涯泪小武 的博客 ↩︎

  2. fold() 和 reduce() 不同的是，需要再加上一个“初始值”来作为每个分区第一次调用时的结果；aggregate() 和 前两者不同的是，返回值类型可以和 RDD 的类型不一致 ↩︎

上一篇：写给大忙人的CentOS 7下最新版(6.2.4)ELK+Filebeat+Log4j日志集成环境搭建完整指南


下一篇：Docker学习笔记二（linux下安装Docker）