Spark學習筆記3——RDD（下）

来源:https://www.cnblogs.com/aar-lee/archive/2019/09/18/11543346.html
-Advertisement-
Play Games

Spark 的 RDD 學習第二節，筆記相關： 1.如何向 Spark 傳遞函數 2.Spark 常用的一些轉化和行動操作 3.Spark 的持久化級別 ...


目錄

Spark學習筆記3——RDD（下）

筆記摘抄自 [美] Holden Karau 等著的《Spark快速大數據分析》

向Spark傳遞函數

大部分 Spark 的轉化操作和一部分行動操作，都需要傳遞函數後進行計算。如何傳遞函數下文將用 Java 展示。

Java 向 Spark 傳遞函數需要實現 Spark 的 org.apache.spark.api.java.function 包中的介面。一些基本的介面如下表：

函數名 實現的方法 用途
Function<T, R> R call(T) 接收一個輸入值並返回一個輸出值，用於類似map() 和
filter() 等操作中
Function2<T1, T2, R> R call(T1, T2) 接收兩個輸入值並返回一個輸出值，用於類似aggregate()
和fold() 等操作中
FlatMapFunction<T, R> Iterable call(T) 接收一個輸入值並返回任意個輸出，用於類似flatMap()
這樣的操作中

通過匿名內部類

見上篇筆記常式。

通過具名類傳遞

class ContainsError implements Function<String, Boolean>() {
public Boolean call(String x) { return x.contains("error"); }
}
...
RDD<String> errors = lines.filter(new ContainsError());
  • 使用具名類在程式組織比較龐大是顯得比較清晰
  • 可以使用構造函數如“通過帶參數的 Java 函數類傳遞”中所示

通過帶參數的 Java 函數類傳遞

常式

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();
    }
}

測試文本 test.txt

this is a test
this is a simple test
this is a simple test about RDD
let us check it out

測試結果

[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
...

通過 lambda 表達式傳遞（僅限於 Java 8 及以上）

常式

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();
    }
}

測試文本

使用上文同一個文本

運行結果

[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
...

常見的轉化操作和行動操作

Spark 中有不同類型的 RDD，不同的 RDD 可以支持不同的操作。

除了基本的RDD外，還有數字類型的 RDD 支持統計型函數操作、鍵值對形式的 RDD 支持聚合數據的鍵值對操作等等。

基本RDD

針對各個元素的轉化操作

為了方便，代碼在 pyspark 中展示：

# map()
# map() 的返回值類型不需要和輸入類型一樣
>>> 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()
# 給flatMap() 的函數被分別應用到了輸入RDD 的每個元素上。
# 返回的是一個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() 區別如下：

RDD中flatmap和map的區別.jpg

偽集合操作

RDD 不算是嚴格意義上的集合，但是一些類似集合的屬性讓它能夠支持許多集合操作，下圖展示了常見的集合操作：

簡單的偽集合操作.jpg

此外，RDD 還支持笛卡爾積的操作：

RDD間笛卡爾積的操作.jpg

以下對基本 RDD 的轉化操作進行梳理：

  • 單個 RDD {1，2，3，3} 的轉化操作
函數名 目的 示例 結果
map() 將函數應用於RDD 中的每個元
素，將返回值構成新的RDD		 rdd.map(x => x + 1) {2, 3, 4, 4}
flatMap() 將函數應用於RDD 中的每個元
素，將返回的迭代器的所有內
容構成新的RDD。通常用來切
分單詞		 rdd.flatMap(x => x.to(3)) {1, 2, 3, 2, 3, 3, 3}
filter() 返回一個由通過傳給filter()
的函數的元素組成的RDD		 rdd.filter(x => x != 1) {2, 3, 3}
distinct() 去重 rdd.distinct() {1, 2, 3}
sample(withReplacement, fraction, [seed]) 對RDD 採樣，以及是否替換 rdd.sample(false, 0.5) 非確定的
  • 兩個 RDD {1,2,3},{3,4,5}的 RDD 的轉化操作
函數名 目的 示例 結果
union() 生成一個包含兩個RDD 中所有元
素的RDD		 rdd.union(other) {1, 2, 3, 3, 4, 5}
intersection() 求兩個RDD 共同的元素的RDD rdd.intersection(other) {3}
subtract() 移除一個RDD 中的內容（例如移
除訓練數據）		 rdd.subtract(other) {1, 2}
cartesian() 與另一個RDD 的笛卡兒積 rdd.cartesian(other) {(1, 3), (1, 4), ...
(3, 5)}

行動操作

reduce() 與 reduceByKey()

常式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進行reduce操作
        List<String> list = Arrays.asList("key1", "key1", "key2", "key2", "key3");
        JavaRDD<String> stringRDD = javaSparkContext.parallelize(list);
        //轉為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);
    }

}

運行結果

...
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

常式

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());
    }
}

運行結果

[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
...

常用的行動操作整理

函數名 目的 示例 結果
collect() 返回RDD 中的所有元素 rdd.collect() {1, 2, 3, 3}
count() RDD 中的元素個數 rdd.count() 4
countByValue() 各元素在RDD 中出現的次數 rdd.countByValue() {(1, 1),
(2, 1),
(3, 2)}
take(num) 從RDD 中返回num 個元素 rdd.take(2) {1, 2}
top(num) 從RDD 中返回最前面的num
個元素		 rdd.top(2) {3, 3}
takeOrdered(num)
(ordering)		 從RDD 中按照提供的順序返
回最前面的num 個元素		 rdd.takeOrdered(2)(myOrdering) {3, 3}
takeSample(withReplace
ment, num, [seed])		 從RDD 中返回任意一些元素 rdd.takeSample(false, 1) 非確定的
reduce(func) 並行整合RDD 中所有數據
（例如sum）		 rdd.reduce((x, y) => x + y) 9
fold(zero)(func) 和reduce() 一樣， 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
返回不同類型的函數		 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) 對RDD 中的每個元素使用給
定的函數		 rdd.foreach(func) 無

不同 RDD 的類型轉換

Spark 中有些函數只能作用於特定類型的 RDD。例如 mean() 和 variance() 只能處理數值 RDD，join() 只能用於處理鍵值對 RDD。在 Scala 和 Java 中都沒有與之對應的標準 RDD 類，故使用這些函數時必須要確保獲得了正確的專用 RDD 類。（Scala 為隱式轉換）

下表為 Java 中針對專門類型的函數介面：

函數名 等價函數 用途
DoubleFlatMapFunction Function<T, Iterable> 用於flatMapToDouble，以
生成DoubleRDD
DoubleFunction Function<T, Double> 用於mapToDouble，以生成
DoubleRDD
PairFlatMapFunction<T, K, V> Function<T, Iterable<Tuple2<K, V>>> 用於flatMapToPair，以生
成PairRDD<K, V>
PairFunction<T, K, V> Function<T, Tuple2<K, V>> 用於mapToPair， 以生成
PairRDD<K, V>

常式

以 DoubleFunction 為例：

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());
    }
}

運行結果

[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

為了避免多次計算同一個 RDD，我們常常對數據進行持久化處理。具體操作可以參見上一節常式。

Tips：

  • 在Scala 和Java 中，預設情況下 persist() 會把數據以序列化的形式緩存在JVM 的堆空間中
  • 在Python 中，我們會始終序列化要持久化存儲的數據，所以持久化級別預設值就是以序列化後的對象存儲在JVM 堆空間中
  • 當我們把數據寫到磁碟或者堆外存儲上時，也總是使用序列化後的數據
  • 緩存的數據太多，記憶體中放不下，Spark 會自動利用最近最少使用（LRU）的緩存策略把最老的分區從記憶體中移除
  • unpersist() 可以手動把持久化的RDD 從緩存中移除

持久化級別

級　　別 使用的
空間		 CPU
時間		 是否在
記憶體中		 是否在
磁碟上		 備註
MEMORY_ONLY 高 低 是 否
MEMORY_ONLY_SER 低 高 是 否
MEMORY_AND_DISK 高 中等 部分 部分 如果數據在記憶體中放不下，則溢寫到磁碟上
MEMORY_AND_DISK_SER 低 高 部分 部分 如果數據在記憶體中放不下，則溢寫到磁碟上。在記憶體中存放序列化後的數據
DISK_ONLY 低 高 否 是

P.s.

可以通過在存儲級別的末尾加上“_2”來把持久化數據存為兩份

  1. 摘自天涯淚小武 的博客↩

  2. fold() 和 reduce() 不同的是，需要再加上一個“初始值”來作為每個分區第一次調用時的結果；aggregate() 和 前兩者不同的是，返回值類型可以和 RDD 的類型不一致↩


您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • Android Recovery升級原理
    摘要 Recovery模式指的是一種可以對安卓機內部的數據或系統進行修改的模式（類似於windows PE或DOS）。也可以稱之為安卓的恢復模式，在這個所謂的恢復模式下，我們可以刷入新的安卓系統，或者對已有的系統進行備份或升級，也可以在此恢復出廠設置（格式化數據和緩存）。 1. Recovery相關 ...
  • Centos 7.0 界面
    執行：systemctl get-default //顯示預設的界面方式 multi-user.target //命令行界面 graphical.target //圖形化界面 執行：systemctl set-default multi-user.target //設置開機以命令行模式界面啟動 執行 ...
  • iptables的刪除命令中的相關問題
    最近在做一個VPN中間件的配置工作，在配置iptables的時候，當用戶想刪除EIP（即釋放當前連接），發現使用iptables的相關命令會提示錯誤。 我就納悶了，怎麼會出現這個問題，按照官方的文檔也有錯？ "官方文檔地址" 解決方法： 1. 按行刪除 如果按照行號刪除，就不會有這篇文章了，當然如果 ...
  • 利用 pandas庫讀取excel表格數據
    利用 pandas庫讀取excel表格數據 初入IT行業，願與大家一起學習，共同進步，有問題請指出！！ 還在為數據讀取而頭疼呢，請看下方簡潔介紹： 數據來源為國家統計局網站下載： 具體方法 代碼： 結果： 讀出x列的結果可以用matplotlib.pyplot庫繪製直線圖、餅圖、折線圖 ...
  • MYSQL安裝與卸載（一）
    系統：win10（其他版本系統不在本次內容） MYSQL下載地址：https://dev.mysql.com/downloads/mysql/ MySQL安裝主流分為兩種：msi,zip Zip:壓縮版，這需要配置init文件，然後通過win+R 進入cmd控制台進行操作（本次 以msi版本為主，後 ...
  • Redis事務控制
    Redis事務控制 1、Redis事務控制的相關命令彙總 |命令名|作用| | | | |MULTI|表示開始收集命令，後面所有命令都不是馬上執行，而是加入到一個隊列中。| |EXEC|執行MULTI後面命令隊列中的所有命令。| |DISCARD|放棄執行隊列中的命令。| |WATCH|“觀察”、“ ...
  • Redis自動化安裝以及集群實現
    Redis實例安裝 安裝說明：自動解壓縮安裝包，按照指定路徑編譯安裝，複製配置文件模板到Redis實例路的數據徑下，根據埠號修改配置文件模板 配置文件，當前shell腳本，安裝包 參數1：basedir,redis安裝包路徑 參數2：安裝實例路徑 參數3：安裝包名稱 參數4：安裝實例的埠號 #! ...
  • centos7放行1521埠
    [root@localhost ~]# firewall-cmd --zone=public --add-port=1521/tcp --permanent success [root@localhost ~]# firewall-cmd --reload success ...
一周排行
    -Advertisement-
    Play Games
  • 移動開發（一）：使用.NET MAUI開發第一個安卓APP
    移動開發（一）：使用.NET MAUI開發第一個安卓APP 對於工作多年的C#程式員來說，近來想嘗試開發一款安卓APP，考慮了很久最終選擇使用.NET MAUI這個微軟官方的框架來嘗試體驗開發安卓APP，畢竟是使用Visual Studio開發工具，使用起來也比較的順手，結合微軟官方的教程進行了安卓 ...
  • wpf ToggleButton選中效果和一個登錄界面
    前言 QuestPDF 是一個開源 .NET 庫，用於生成 PDF 文檔。使用了C# Fluent API方式可簡化開發、減少錯誤並提高工作效率。利用它可以輕鬆生成 PDF 報告、發票、導出文件等。 項目介紹 QuestPDF 是一個革命性的開源 .NET 庫，它徹底改變了我們生成 PDF 文檔的方 ...
  • 彈幕樹洞項目功能新增篇
    項目地址 項目後端地址： https://github.com/ZyPLJ/ZYTteeHole 項目前端頁面地址： ZyPLJ/TreeHoleVue (github.com) https://github.com/ZyPLJ/TreeHoleVue 目前項目測試訪問地址： http://tree ...
  • 第27篇 sqlserver2022詳細安裝步驟
    話不多說，直接開乾 一.下載 1.官方鏈接下載： https://www.microsoft.com/zh-cn/sql-server/sql-server-downloads 2.在下載目錄中找到下麵這個小的安裝包 SQL2022-SSEI-Dev.exe，運行開始下載SQL server； 二. ...
  • .NET 開源高性能 MQTT 類庫
    前言 隨著物聯網（IoT）技術的迅猛發展，MQTT（消息隊列遙測傳輸）協議憑藉其輕量級和高效性，已成為眾多物聯網應用的首選通信標準。 MQTTnet 作為一個高性能的 .NET 開源庫，為 .NET 平臺上的 MQTT 客戶端與伺服器開發提供了強大的支持。 本文將全面介紹 MQTTnet 的核心功能 ...
  • Serilog文檔翻譯系列（六） - 可用的接收器、增強器、格式化輸出
    Serilog支持多種接收器用於日誌存儲，增強器用於添加屬性，LogContext管理動態屬性，支持多種輸出格式包括純文本、JSON及ExpressionTemplate。還提供了自定義格式化選項，適用於不同需求。 ...
  • 警惕 Visual Studio 屬性求值副作用導致邏輯不符合預期
    目錄簡介獲取 HTML 文檔解析 HTML 文檔測試參考文章 簡介 動態內容網站使用 JavaScript 腳本動態檢索和渲染數據，爬取信息時需要模擬瀏覽器行為，否則獲取到的源碼基本是空的。 本文使用的爬取步驟如下： 使用 Selenium 獲取渲染後的 HTML 文檔 使用 HtmlAgility ...
  • [使用目前最新版]HybridCLR6.9.0+YooAsset2.2.4實現純C# Unity熱更新方案 (一)
    1.前言 什麼是熱更新 游戲或者軟體更新時，無需重新下載客戶端進行安裝，而是在應用程式啟動的情況下，在內部進行資源或者代碼更新 Unity目前常用熱更新解決方案 HybridCLR，Xlua，ILRuntime等 Unity目前常用資源管理解決方案 AssetBundles，Addressable， ...
  • 在 ASP.NET Core Web API 中使用操作篩選器統一處理通用操作
    本文章主要是在C# ASP.NET Core Web API框架實現向手機發送驗證碼簡訊功能。這裡我選擇是一個互億無線簡訊驗證碼平臺，其實像阿裡雲，騰訊雲上面也可以。 首先我們先去 互億無線 https://www.ihuyi.com/api/sms.html 去註冊一個賬號 註冊完成賬號後，它會送 ...
  • 第28篇 如何.net中實現高效可靠數據同步api
    通過以下方式可以高效，並保證數據同步的可靠性 1.API設計 使用RESTful設計，確保API端點明確，並使用適當的HTTP方法（如POST用於創建，PUT用於更新）。 設計清晰的請求和響應模型，以確保客戶端能夠理解預期格式。 2.數據驗證 在伺服器端進行嚴格的數據驗證，確保接收到的數據符合預期格 ...
所有分類