RDD 转换

RDD的转换

RDD整体上分为Value类型和Key-Value类型

**

**

1. 作用：返回一个新的RDD，该RDD由每一个输入元素经过func函数转换后组成
   2. 需求：创建一个1-10数组的RDD，将所有元素2形成新的RDD
   （1）创建
   scala> var source = sc.parallelize(1 to 10)
   source: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[8] at parallelize at :24
   （2）打印
   scala> source.collect()
   res7: Array[Int] = Array(1, 2, 3, 4, 5, 6, 7, 8, 9, 10)
   （3）将所有元素2
   scala> val mapadd = source.map(_ * 2)
   mapadd: org.apache.spark.rdd.RDD[Int] = MapPartitionsRDD[9] at map at :26
   （4）打印最终结果
   scala> mapadd.collect()
   res8: Array[Int] = Array(2, 4, 6, 8, 10, 12, 14, 16, 18, 20)

   **

2. 作用：类似于map，但独立地在RDD的每一个分片上运行，因此在类型为T的RDD上运行时，func的函数类型必须是Iterator[T] => Iterator[U]。假设有N个元素，有M个分区，那么map的函数的将被调用N次,而mapPartitions被调用M次,一个函数一次处理所有分区。
   2. 需求：创建一个RDD，使每个元素2组成新的RDD
   （1）创建一个RDD
   scala> val rdd = sc.parallelize(Array(1,2,3,4))
   rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[4] at parallelize at :24
   （2）使每个元素2组成新的RDD
   scala> rdd.mapPartitions(x=>x.map(_*2))
   res3: org.apache.spark.rdd.RDD[Int] = MapPartitionsRDD[6] at mapPartitions at :27
   （3）打印新的RDD
   scala> res3.collect
   res4: Array[Int] = Array(2, 4, 6, 8)

   **

3. 作用：类似于mapPartitions，但func带有一个整数参数表示分片的索引值，因此在类型为T的RDD上运行时，func的函数类型必须是(Int, Interator[T]) => Iterator[U]；
   2. 需求：创建一个RDD，使每个元素跟所在分区形成一个元组组成一个新的RDD
   （1）创建一个RDD
   scala> val rdd = sc.parallelize(Array(1,2,3,4))
   rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[4] at parallelize at :24
   （2）使每个元素跟所在分区形成一个元组组成一个新的RDD
   scala> val indexRdd = rdd.mapPartitionsWithIndex((index,items)=>(items.map((index,_))))
   indexRdd: org.apache.spark.rdd.RDD[(Int, Int)] = MapPartitionsRDD[5] at mapPartitionsWithIndex at :26
   （3）打印新的RDD
   scala> indexRdd.collect
   res2: Array[(Int, Int)] = Array((0,1), (0,2), (1,3), (1,4))

   **1.4 f

4. 作用：类似于map，但是每一个输入元素可以被映射为0或多个输出元素（所以func应该返回一个序列，而不是单一元素）
   2. 需求：创建一个元素为1-5的RDD，运用flatMap创建一个新的RDD，新的RDD为原RDD的每个元素的2倍（2，4，6，8，10）
   （1）创建
   scala> val sourceFlat = sc.parallelize(1 to 5)
   sourceFlat: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[12] at parallelize at :24
   （2）打印
   scala> sourceFlat.collect()
   res11: Array[Int] = Array(1, 2, 3, 4, 5)
   （3）根据原RDD创建新RDD（1->1,2->1,2……5->1,2,3,4,5）
   scala> val flatMap = sourceFlat.flatMap(1 to _)
   flatMap: org.apache.spark.rdd.RDD[Int] = MapPartitionsRDD[13] at flatMap at :26
   （4）打印新RDD
   scala> flatMap.collect()
   res12: Array[Int] = Array(1, 1, 2, 1, 2, 3, 1, 2, 3, 4, 1, 2, 3, 4, 5)

   **1.5 map()和mapPartition

5. map()：每次处理一条数据。
   2. mapPartition()：每次处理一个分区的数据，这个分区的数据处理完后，原RDD中分区的数据才能释放，可能导致OOM。
   3. 开发指导：当内存空间较大的时候建议使用mapPartition()，以提高处理效率。

   **

6. 作用：将每一个分区形成一个数组，形成新的RDD类型时RDD[Array[T]]
   2. 需求：创建一个4个分区的RDD，并将每个分区的数据放到一个数组
   （1）创建
   scala> val rdd = sc.parallelize(1 to 16,4)
   rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[65] at parallelize at :24
   （2）将每个分区的数据放到一个数组并收集到Driver端打印
   scala> rdd.glom().collect()
   res25: Array[Array[Int]] = Array(Array(1, 2, 3, 4), Array(5, 6, 7, 8), Array(9, 10, 11, 12), Array(13, 14, 15, 16))

   **1.7 groupBy(func

7. 作用：分组，按照传入函数的返回值进行分组。将相同的key对应的值放入一个迭代器。
   2. 需求：创建一个RDD，按照元素模以2的值进行分组。
   （1）创建
   scala> val rdd = sc.parallelize(1 to 4)
   rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[65] at parallelize at :24
   （2）按照元素模以2的值进行分组
   scala> val group = rdd.groupBy(_%2)
   group: org.apache.spark.rdd.RDD[(Int, Iterable[Int])] = ShuffledRDD[2] at groupBy at :26
   （3）打印结果
   scala> group.collect
   res0: Array[(Int, Iterable[Int])] = Array((0,CompactBuffer(2, 4)), (1,CompactBuffer(1, 3)))

   **

8. 作用：过滤。返回一个新的RDD，该RDD由经过func函数计算后返回值为true的输入元素组成。
   2. 需求：创建一个RDD（由字符串组成），过滤出一个新RDD（包含”xiao”子串）
   （1）创建
   scala> var sourceFilter = sc.parallelize(Array(“xiaoming”,”xiaojiang”,”xiaohe”,”dazhi”))
   sourceFilter: org.apache.spark.rdd.RDD[String] = ParallelCollectionRDD[10] at parallelize at :24
   （2）打印
   scala> sourceFilter.collect()
   res9: Array[String] = Array(xiaoming, xiaojiang, xiaohe, dazhi)
   （3）过滤出含” xiao”子串的形成一个新的RDD
   scala> val filter = sourceFilter.filter(_.contains(“xiao”))
   filter: org.apache.spark.rdd.RDD[String] = MapPartitionsRDD[11] at filter at :26
   （4）打印新RDD
   scala> filter.collect()
   res10: Array[String] = Array(xiaoming, xiaojiang, xiaohe)

   **

9. 作用：以指定的随机种子随机抽样出数量为fraction的数据，withReplacement表示是抽出的数据是否放回，true为有放回的抽样，false为无放回的抽样，seed用于指定随机数生成器种子。
   2. 需求：创建一个RDD（1-10），从中选择放回和不放回抽样
   （1）创建RDD
   scala> val rdd = sc.parallelize(1 to 10)
   rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[20] at parallelize at :24
   （2）打印
   scala> rdd.collect()
   res15: Array[Int] = Array(1, 2, 3, 4, 5, 6, 7, 8, 9, 10)
   （3）放回抽样
   scala> var sample1 = rdd.sample(true,0.4,2)
   sample1: org.apache.spark.rdd.RDD[Int] = PartitionwiseSampledRDD[21] at sample at :26
   （4）打印放回抽样结果
   scala> sample1.collect()
   res16: Array[Int] = Array(1, 2, 2, 7, 7, 8, 9)
   （5）不放回抽样
   scala> var sample2 = rdd.sample(false,0.2,3)
   sample2: org.apache.spark.rdd.RDD[Int] = PartitionwiseSampledRDD[22] at sample at :26
   （6）打印不放回抽样结果
   scala> sample2.collect()
   res17: Array[Int] = Array(1, 9)

   **

10. 作用：对源RDD进行去重后返回一个新的RDD。默认情况下，只有8个并行任务来操作，但是可以传入一个可选的numTasks参数改变它。
    2. 需求：创建一个RDD，使用distinct()对其去重。
    （1）创建一个RDD
    scala> val distinctRdd = sc.parallelize(List(1,2,1,5,2,9,6,1))
    distinctRdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[34] at parallelize at :24
    （2）对RDD进行去重（不指定并行度）
    scala> val unionRDD = distinctRdd.distinct()
    unionRDD: org.apache.spark.rdd.RDD[Int] = MapPartitionsRDD[37] at distinct at :26
    （3）打印去重后生成的新RDD
    scala> unionRDD.collect()
    res20: Array[Int] = Array(1, 9, 5, 6, 2)
    （4）对RDD（指定并行度为2）
    scala> val unionRDD = distinctRdd.distinct(2)
    unionRDD: org.apache.spark.rdd.RDD[Int] = MapPartitionsRDD[40] at distinct at :26
    （5）打印去重后生成的新RDD
    scala> unionRDD.collect()
    res21: Array[Int] = Array(6, 2, 1, 9, 5)

    **

11. 作用：缩减分区数，用于大数据集过滤后，提高小数据集的执行效率。
    2. 需求：创建一个4个分区的RDD，对其缩减分区
    （1）创建一个RDD
    scala> val rdd = sc.parallelize(1 to 16,4)
    rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[54] at parallelize at :24
    （2）查看RDD的分区数
    scala> rdd.partitions.size
    res20: Int = 4
    （3）对RDD重新分区
    scala> val coalesceRDD = rdd.coalesce(3)
    coalesceRDD: org.apache.spark.rdd.RDD[Int] = CoalescedRDD[55] at coalesce at :26
    （4）查看新RDD的分区数
    scala> coalesceRDD.partitions.size
    res21: Int = 3

    **1.12 repartition(numPartitions)

12. 作用：根据分区数，重新通过网络随机洗牌所有数据。
    2. 需求：创建一个4个分区的RDD，对其重新分区
    （1）创建一个RDD
    scala> val rdd = sc.parallelize(1 to 16,4)
    rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[56] at parallelize at :24
    （2）查看RDD的分区数
    scala> rdd.partitions.size
    res22: Int = 4
    （3）对RDD重新分区
    scala> val rerdd = rdd.repartition(2)
    rerdd: org.apache.spark.rdd.RDD[Int] = MapPartitionsRDD[60] at repartition at :26
    （4）查看新RDD的分区数
    scala> rerdd.partitions.size
    res23: Int = 2

    **

13. coalesce重新分区，可以选择是否进行shuffle过程。由参数shuffle: Boolean = false/true决定。
    2. repartition实际上是调用的coalesce，默认是进行shuffle的。源码如下：
    def repartition(numPartitions: Int)(implicit ord: Ordering[T] = null): RDD[T] = withScope {
    coalesce(numPartitions, shuffle = true)
    }

    **

14. 作用；使用func先对数据进行处理，按照处理后的数据比较结果排序，默认为正序。
    2. 需求：创建一个RDD，按照不同的规则进行排序
    （1）创建一个RDD
    scala> val rdd = sc.parallelize(List(2,1,3,4))
    rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[21] at parallelize at :24
    （2）按照自身大小排序
    scala> rdd.sortBy(x => x).collect()
    res11: Array[Int] = Array(1, 2, 3, 4)
    （3）按照与3余数的大小排序
    scala> rdd.sortBy(x => x%3).collect()
    res12: Array[Int] = Array(3, 4, 1, 2)

    **

15. 作用：管道，针对每个分区，都执行一个shell脚本，返回输出的RDD。
    注意：脚本需要放在Worker节点可以访问到的位置
    2. 需求：编写一个脚本，使用管道将脚本作用于RDD上。
    （1）编写一个脚本
    Shell脚本
    #!/bin/sh
    echo “AA”
    while read LINE; do
    echo “>>>”${LINE}
    done
    （2）创建一个只有一个分区的RDD
    scala> val rdd = sc.parallelize(List(“hi”,”Hello”,”how”,”are”,”you”),1)
    rdd: org.apache.spark.rdd.RDD[String] = ParallelCollectionRDD[50] at parallelize at :24
    （3）将脚本作用该RDD并打印
    scala> rdd.pipe(“/opt/module/spark/pipe.sh”).collect()
    res18: Array[String] = Array(AA, >>>hi, >>>Hello, >>>how, >>>are, >>>you)
    （4）创建一个有两个分区的RDD
    scala> val rdd = sc.parallelize(List(“hi”,”Hello”,”how”,”are”,”you”),2)
    rdd: org.apache.spark.rdd.RDD[String] = ParallelCollectionRDD[52] at parallelize at :24
    （5）将脚本作用该RDD并打印
    scala> rdd.pipe(“/opt/module/spark/pipe.sh”).collect()
    res19: Array[String] = Array(AA, >>>hi, >>>Hello, AA, >>>how, >>>are, >>>you)

    **

    **

16. 作用：对源RDD和参数RDD求并集后返回一个新的RDD
    2. 需求：创建两个RDD，求并集
    （1）创建第一个RDD
    scala> val rdd1 = sc.parallelize(1 to 5)
    rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[23] at parallelize at :24
    （2）创建第二个RDD
    scala> val rdd2 = sc.parallelize(5 to 10)
    rdd2: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[24] at parallelize at :24
    （3）计算两个RDD的并集
    scala> val rdd3 = rdd1.union(rdd2)
    rdd3: org.apache.spark.rdd.RDD[Int] = UnionRDD[25] at union at :28
    （4）打印并集结果
    scala> rdd3.collect()
    res18: Array[Int] = Array(1, 2, 3, 4, 5, 5, 6, 7, 8, 9, 10)

    **2.2 subtract

17. 作用：计算差的一种函数，去除两个RDD中相同的元素，不同的RDD将保留下来
    2. 需求：创建两个RDD，求第一个RDD与第二个RDD的差集
    （1）创建第一个RDD
    scala> val rdd = sc.parallelize(3 to 8)
    rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[70] at parallelize at :24
    （2）创建第二个RDD
    scala> val rdd1 = sc.parallelize(1 to 5)
    rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[71] at parallelize at :24
    （3）计算第一个RDD与第二个RDD的差集并打印
    scala> rdd.subtract(rdd1).collect()
    res27: Array[Int] = Array(8, 6, 7)

    **

18. 作用：对源RDD和参数RDD求交集后返回一个新的RDD
    2. 需求：创建两个RDD，求两个RDD的交集
    （1）创建第一个RDD
    scala> val rdd1 = sc.parallelize(1 to 7)
    rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[26] at parallelize at :24
    （2）创建第二个RDD
    scala> val rdd2 = sc.parallelize(5 to 10)
    rdd2: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[27] at parallelize at :24
    （3）计算两个RDD的交集
    scala> val rdd3 = rdd1.intersection(rdd2)
    rdd3: org.apache.spark.rdd.RDD[Int] = MapPartitionsRDD[33] at intersection at :28
    （4）打印计算结果
    scala> rdd3.collect()
    res19: Array[Int] = Array(5, 6, 7)

    **

19. 作用：笛卡尔积（尽量避免使用）
    2. 需求：创建两个RDD，计算两个RDD的笛卡尔积
    （1）创建第一个RDD
    scala> val rdd1 = sc.parallelize(1 to 3)
    rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[47] at parallelize at :24
    （2）创建第二个RDD
    scala> val rdd2 = sc.parallelize(2 to 5)
    rdd2: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[48] at parallelize at :24
    （3）计算两个RDD的笛卡尔积并打印
    scala> rdd1.cartesian(rdd2).collect()
    res17: Array[(Int, Int)] = Array((1,2), (1,3), (1,4), (1,5), (2,2), (2,3), (2,4), (2,5), (3,2), (3,3), (3,4), (3,5))

    **2.5 zip(otherDataset

20. 作用：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。
    2. 需求：创建两个RDD，并将两个RDD组合到一起形成一个(k,v)RDD
    （1）创建第一个RDD
    scala> val rdd1 = sc.parallelize(Array(1,2,3),3)
    rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[1] at parallelize at :24
    （2）创建第二个RDD（与1分区数相同）
    scala> val rdd2 = sc.parallelize(Array(“a”,”b”,”c”),3)
    rdd2: org.apache.spark.rdd.RDD[String] = ParallelCollectionRDD[2] at parallelize at :24
    （3）第一个RDD组合第二个RDD并打印
    scala> rdd1.zip(rdd2).collect
    res1: Array[(Int, String)] = Array((1,a), (2,b), (3,c))
    （4）第二个RDD组合第一个RDD并打印
    scala> rdd2.zip(rdd1).collect
    res2: Array[(String, Int)] = Array((a,1), (b,2), (c,3))
    （5）创建第三个RDD（与1,2分区数不同）
    scala> val rdd3 = sc.parallelize(Array(“a”,”b”,”c”),2)
    rdd3: org.apache.spark.rdd.RDD[String] = ParallelCollectionRDD[5] at parallelize at :24
    （6）第一个RDD组合第三个RDD并打印
    scala> rdd1.zip(rdd3).collect
    java.lang.IllegalArgumentException: Can’t zip RDDs with unequal numbers of partitions: List(3, 2)
    at org.apache.spark.rdd.ZippedPartitionsBaseRDD.getPartitions(ZippedPartitionsRDD.scala:57)
    at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:252)
    at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:250)
    at scala.Option.getOrElse(Option.scala:121)
    at org.apache.spark.rdd.RDD.partitions(RDD.scala:250)
    at org.apache.spark.SparkContext.runJob(SparkContext.scala:1965)
    at org.apache.spark.rdd.RDD$$anonfun$collect$1.apply(RDD.scala:936)
    at org.apache.spark.rdd.RDDOperationScope$.withScope(RDDOperationScope.scala:151)
    at org.apache.spark.rdd.RDDOperationScope$.withScope(RDDOperationScope.scala:112)
    at org.apache.spark.rdd.RDD.withScope(RDD.scala:362)
    at org.apache.spark.rdd.RDD.collect(RDD.scala:935)
    … 48 elided

    **3 Key-V

    **

21. 作用：对pairRDD进行分区操作，如果原有的partionRDD和现有的partionRDD是一致的话就不进行分区， 否则会生成ShuffleRDD，即会产生shuffle过程。
    2. 需求：创建一个4个分区的RDD，对其重新分区
    （1）创建一个RDD
    scala> val rdd = sc.parallelize(Array((1,”aaa”),(2,”bbb”),(3,”ccc”),(4,”ddd”)),4)
    rdd: org.apache.spark.rdd.RDD[(Int, String)] = ParallelCollectionRDD[44] at parallelize at :24
    （2）查看RDD的分区数
    scala> rdd.partitions.size
    res24: Int = 4
    （3）对RDD重新分区
    scala> var rdd2 = rdd.partitionBy(new org.apache.spark.HashPartitioner(2))
    rdd2: org.apache.spark.rdd.RDD[(Int, String)] = ShuffledRDD[45] at partitionBy at :26
    （4）查看新RDD的分区数
    scala> rdd2.partitions.size
    res25: Int = 2

    **

22. 作用：groupByKey也是对每个key进行操作，但只生成一个sequence。
    2. 需求：创建一个pairRDD，将相同key对应值聚合到一个sequence中，并计算相同key对应值的相加结果。
    （1）创建一个pairRDD
    scala> val words = Array(“one”, “two”, “two”, “three”, “three”, “three”)
    words: Array[String] = Array(one, two, two, three, three, three)
    
    scala> val wordPairsRDD = sc.parallelize(words).map(word => (word, 1))
    wordPairsRDD: org.apache.spark.rdd.RDD[(String, Int)] = MapPartitionsRDD[4] at map at :26
    （2）将相同key对应值聚合到一个sequence中
    scala> val group = wordPairsRDD.groupByKey()
    group: org.apache.spark.rdd.RDD[(String, Iterable[Int])] = ShuffledRDD[5] at groupByKey at :28
    （3）打印结果
    scala> group.collect()
    res1: Array[(String, Iterable[Int])] = Array((two,CompactBuffer(1, 1)), (one,CompactBuffer(1)), (three,CompactBuffer(1, 1, 1)))
    （4）计算相同key对应值的相加结果
    scala> group.map(t => (t._1, t._2.sum))
    res2: org.apache.spark.rdd.RDD[(String, Int)] = MapPartitionsRDD[6] at map at :31
    （5）打印结果
    scala> res2.collect()
    res3: Array[(String, Int)] = Array((two,2), (one,1), (three,3))

    **3.3 reduceByKey(func, [numTasks])

23. 在一个(K,V)的RDD上调用，返回一个(K,V)的RDD，使用指定的reduce函数，将相同key的值聚合到一起，reduce任务的个数可以通过第二个可选的参数来设置。
    2. 需求：创建一个pairRDD，计算相同key对应值的相加结果
    （1）创建一个pairRDD
    scala> val rdd = sc.parallelize(List((“female”,1),(“male”,5),(“female”,5),(“male”,2)))
    rdd: org.apache.spark.rdd.RDD[(String, Int)] = ParallelCollectionRDD[46] at parallelize at :24
    （2）计算相同key对应值的相加结果
    scala> val reduce = rdd.reduceByKey((x,y) => x+y)
    reduce: org.apache.spark.rdd.RDD[(String, Int)] = ShuffledRDD[47] at reduceByKey at :26
    （3）打印结果
    scala> reduce.collect()
    res29: Array[(String, Int)] = Array((female,6), (male,7))

    **

24. reduceByKey：按照key进行聚合，在shuffle之前有combine（预聚合）操作，返回结果是RDD[k,v].
    2. groupByKey：按照key进行分组，直接进行shuffle。
    3. 开发指导：reduceByKey比groupByKey，建议使用。但是需要注意是否会影响业务逻辑。

    **

    参数：(zeroValue:U,[partitioner: Partitioner]) (seqOp: (U, V) => U,combOp: (U, U) => U)
    1. 作用：在kv对的RDD中，，按key将value进行分组合并，合并时，将每个value和初始值作为seq函数的参数，进行计算，返回的结果作为一个新的kv对，然后再将结果按照key进行合并，最后将每个分组的value传递给combine函数进行计算（先将前两个value进行计算，将返回结果和下一个value传给combine函数，以此类推），将key与计算结果作为一个新的kv对输出。
    2. 参数描述：
    （1）zeroValue：给每一个分区中的每一个key一个初始值；
    （2）seqOp：函数用于在每一个分区中用初始值逐步迭代value；
    （3）combOp：函数用于合并每个分区中的结果。
    3. 需求：创建一个pairRDD，取出每个分区相同key对应值的最大值，然后相加
    4. 需求分析

图1-aggregate案例分析
（1）创建一个pairRDD
scala> val rdd = sc.parallelize(List((“a”,3),(“a”,2),(“c”,4),(“b”,3),(“c”,6),(“c”,8)),2)
rdd: org.apache.spark.rdd.RDD[(String, Int)] = ParallelCollectionRDD[0] at parallelize at :24
（2）取出每个分区相同key对应值的最大值，然后相加
scala> val agg = rdd.aggregateByKey(0)(math.max(,),+)
agg: org.apache.spark.rdd.RDD[(String, Int)] = ShuffledRDD[1] at aggregateByKey at :26
（3）打印结果
scala> agg.collect()
res0: Array[(String, Int)] = Array((b,3), (a,3), (c,12))

**

参数：(zeroValue: V)(func: (V, V) => V): RDD[(K, V)]
1. 作用：aggregateByKey的简化操作，seqop和combop相同
2. 需求：创建一个pairRDD，计算相同key对应值的相加结果
（1）创建一个pairRDD
scala> val rdd = sc.parallelize(List((1,3),(1,2),(1,4),(2,3),(3,6),(3,8)),3)
rdd: org.apache.spark.rdd.RDD[(Int, Int)] = ParallelCollectionRDD[91] at parallelize at :24
（2）计算相同key对应值的相加结果
scala> val agg = rdd.foldByKey(0)(+)
agg: org.apache.spark.rdd.RDD[(Int, Int)] = ShuffledRDD[92] at foldByKey at :26
（3）打印结果
scala> agg.collect()
res61: Array[(Int, Int)] = Array((3,14), (1,9), (2,3))

**

参数：(createCombiner: V => C, mergeValue: (C, V) => C, mergeCombiners: (C, C) => C)
1. 作用：对相同K，把V合并成一个集合。
2. 参数描述：
（1）createCombiner: combineByKey() 会遍历分区中的所有元素，因此每个元素的键要么还没有遇到过，要么就和之前的某个元素的键相同。如果这是一个新的元素,combineByKey()会使用一个叫作createCombiner()的函数来创建那个键对应的累加器的初始值
（2）mergeValue: 如果这是一个在处理当前分区之前已经遇到的键，它会使用mergeValue()方法将该键的累加器对应的当前值与这个新的值进行合并
（3）mergeCombiners: 由于每个分区都是独立处理的， 因此对于同一个键可以有多个累加器。如果有两个或者更多的分区都有对应同一个键的累加器， 就需要使用用户提供的 mergeCombiners() 方法将各个分区的结果进行合并。
3. 需求：创建一个pairRDD，根据key计算每种key的均值。（先计算每个key出现的次数以及可以对应值的总和，再相除得到结果）
4. 需求分析：

图2- combineByKey案例分析
（1）创建一个pairRDD
scala> val input = sc.parallelize(Array((“a”, 88), (“b”, 95), (“a”, 91), (“b”, 93), (“a”, 95), (“b”, 98)),2)
input: org.apache.spark.rdd.RDD[(String, Int)] = ParallelCollectionRDD[52] at parallelize at :26
（2）将相同key对应的值相加，同时记录该key出现的次数，放入一个二元组
scala> val combine = input.combineByKey((_,1),(acc:(Int,Int),v)=>(acc._1+v,acc._2+1),(acc1:(Int,Int),acc2:(Int,Int))=>(acc1._1+acc2._1,acc1._2+acc2._2))
combine: org.apache.spark.rdd.RDD[(String, (Int, Int))] = ShuffledRDD[5] at combineByKey at :28
（3）打印合并后的结果
scala> combine.collect
res5: Array[(String, (Int, Int))] = Array((b,(286,3)), (a,(274,3)))
（4）计算平均值
scala> val result = combine.map{case (key,value) => (key,value._1/value._2.toDouble)}
result: org.apache.spark.rdd.RDD[(String, Double)] = MapPartitionsRDD[54] at map at :30
（5）打印结果
scala> result.collect()
res33: Array[(String, Double)] = Array((b,95.33333333333333), (a,91.33333333333333))

**

1. 作用：在一个(K,V)的RDD上调用，K必须实现Ordered接口，返回一个按照key进行排序的(K,V)的RDD
   2. 需求：创建一个pairRDD，按照key的正序和倒序进行排序
   （1）创建一个pairRDD
   scala> val rdd = sc.parallelize(Array((3,”aa”),(6,”cc”),(2,”bb”),(1,”dd”)))
   rdd: org.apache.spark.rdd.RDD[(Int, String)] = ParallelCollectionRDD[14] at parallelize at :24
   （2）按照key的正序
   scala> rdd.sortByKey(true).collect()
   res9: Array[(Int, String)] = Array((1,dd), (2,bb), (3,aa), (6,cc))
   （3）按照key的倒序
   scala> rdd.sortByKey(false).collect()
   res10: Array[(Int, String)] = Array((6,cc), (3,aa), (2,bb), (1,dd))

   **

2. 针对于(K,V)形式的类型只对V进行操作
   2. 需求：创建一个pairRDD，并将value添加字符串”|||”
   （1）创建一个pairRDD
   scala> val rdd3 = sc.parallelize(Array((1,”a”),(1,”d”),(2,”b”),(3,”c”)))
   rdd3: org.apache.spark.rdd.RDD[(Int, String)] = ParallelCollectionRDD[67] at parallelize at :24
   （2）对value添加字符串”|||”
   scala> rdd3.mapValues(_+”|||”).collect()
   res26: Array[(Int, String)] = Array((1,a|||), (1,d|||), (2,b|||), (3,c|||))

   **

3. 作用：在类型为(K,V)和(K,W)的RDD上调用，返回一个相同key对应的所有元素对在一起的(K,(V,W))的RDD
   2. 需求：创建两个pairRDD，并将key相同的数据聚合到一个元组。
   （1）创建第一个pairRDD
   scala> val rdd = sc.parallelize(Array((1,”a”),(2,”b”),(3,”c”)))
   rdd: org.apache.spark.rdd.RDD[(Int, String)] = ParallelCollectionRDD[32] at parallelize at :24
   （2）创建第二个pairRDD
   scala> val rdd1 = sc.parallelize(Array((1,4),(2,5),(3,6)))
   rdd1: org.apache.spark.rdd.RDD[(Int, Int)] = ParallelCollectionRDD[33] at parallelize at :24
   （3）join操作并打印结果
   scala> rdd.join(rdd1).collect()
   res13: Array[(Int, (String, Int))] = Array((1,(a,4)), (2,(b,5)), (3,(c,6)))

   **

4. 作用：在类型为(K,V)和(K,W)的RDD上调用，返回一个(K,(Iterable,Iterable))类型的RDD
   2. 需求：创建两个pairRDD，并将key相同的数据聚合到一个迭代器。
   （1）创建第一个pairRDD
   scala> val rdd = sc.parallelize(Array((1,”a”),(2,”b”),(3,”c”)))
   rdd: org.apache.spark.rdd.RDD[(Int, String)] = ParallelCollectionRDD[37] at parallelize at :24
   （2）创建第二个pairRDD
   scala> val rdd1 = sc.parallelize(Array((1,4),(2,5),(3,6)))
   rdd1: org.apache.spark.rdd.RDD[(Int, Int)] = ParallelCollectionRDD[38] at parallelize at :24
   （3）cogroup两个RDD并打印结果
   scala> rdd.cogroup(rdd1).collect()
   res14: Array[(Int, (Iterable[String], Iterable[Int]))] = Array((1,(CompactBuffer(a),CompactBuffer(4))), (2,(CompactBuffer(b),CompactBuffer(5))), (3,(CompactBuffer(c),CompactBuffer(6))))

   **

5. 数据结构：时间戳，省份，城市，用户，广告，中间字段使用空格分割。

样本如下：
1516609143867 6 7 64 16
1516609143869 9 4 75 18
1516609143869 1 7 87 12
2. 需求：统计出每一个省份广告被点击次数的TOP3
3. 实现过程：
package com.package.practice

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

//需求：统计出每一个省份广告被点击次数的TOP3
object Practice {

def main(args: Array[String]): Unit = {

//1.初始化spark配置信息并建立与spark的连接
val sparkConf = new SparkConf().setMaster(“local[*]”).setAppName(“Practice”)
val sc = new SparkContext(sparkConf)

//2.读取数据生成RDD：TS，Province，City，User，AD
val line = sc.textFile(“E:\IDEAWorkSpace\SparkTest\src\main\resources\agent.log”)

//3.按照最小粒度聚合：((Province,AD),1)
val provinceAdToOne = line.map { x =>
val fields: Array[String] = x.split(“ “)
((fields(1), fields(4)), 1)
}

//4.计算每个省中每个广告被点击的总数：((Province,AD),sum)
val provinceAdToSum = provinceAdToOne.reduceByKey( + )

//5.将省份作为key，广告加点击数为value：(Province,(AD,sum))
val provinceToAdSum = provinceAdToSum.map(x => (x._1._1, (x._1._2, x._2)))

//6.将同一个省份的所有广告进行聚合(Province,List((AD1,sum1),(AD2,sum2)…))
val provinceGroup = provinceToAdSum.groupByKey()

//7.对同一个省份所有广告的集合进行排序并取前3条，排序规则为广告点击总数
val provinceAdTop3 = provinceGroup.mapValues { x =>
x.toList.sortWith((x, y) => x._2 > y._2).take(3)
}

//8.将数据拉取到Driver端并打印
provinceAdTop3.collect().foreach(println)

//9.关闭与spark的连接
sc.stop()
}

}

**2

**2

1. 作用：通过func函数聚集RDD中的所有元素，先聚合分区内数据，再聚合分区间数据。
   2. 需求：创建一个RDD，将所有元素聚合得到结果。
   （1）创建一个RDD[Int]
   scala> val rdd1 = sc.makeRDD(1 to 10,2)
   rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[85] at makeRDD at :24
   （2）聚合RDD[Int]所有元素
   scala> rdd1.reduce(+)
   res50: Int = 55
   （3）创建一个RDD[String]
   scala> val rdd2 = sc.makeRDD(Array((“a”,1),(“a”,3),(“c”,3),(“d”,5)))
   rdd2: org.apache.spark.rdd.RDD[(String, Int)] = ParallelCollectionRDD[86] at makeRDD at :24
   （4）聚合RDD[String]所有数据
   scala> rdd2.reduce((x,y)=>(x._1 + y._1,x._2 + y._2))
   res51: (String, Int) = (adca,12)

   **2

2. 作用：在驱动程序中，以数组的形式返回数据集的所有元素。
   2. 需求：创建一个RDD，并将RDD内容收集到Driver端打印
   （1）创建一个RDD
   scala> val rdd = sc.parallelize(1 to 10)
   rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[0] at parallelize at :24
   （2）将结果收集到Driver端
   scala> rdd.collect
   res0: Array[Int] = Array(1, 2, 3, 4, 5, 6, 7, 8, 9, 10)
   

   **2

3. 作用：返回RDD中元素的个数
   2. 需求：创建一个RDD，统计该RDD的条数
   （1）创建一个RDD
   scala> val rdd = sc.parallelize(1 to 10)
   rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[0] at parallelize at :24
   （2）统计该RDD的条数
   scala> rdd.count
   res1: Long = 10

   **2

4. 作用：返回RDD中的第一个元素
   2. 需求：创建一个RDD，返回该RDD中的第一个元素
   （1）创建一个RDD
   scala> val rdd = sc.parallelize(1 to 10)
   rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[0] at parallelize at :24
   （2）统计该RDD的条数
   scala> rdd.first
   res2: Int = 1

   **2

5. 作用：返回一个由RDD的前n个元素组成的数组
   2. 需求：创建一个RDD，统计该RDD的条数
   （1）创建一个RDD
   scala> val rdd = sc.parallelize(Array(2,5,4,6,8,3))
   rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[2] at parallelize at :24
   （2）统计该RDD的条数
   scala> rdd.take(3)
   res10: Array[Int] = Array(2, 5, 4)

   **2

6. 作用：返回该RDD排序后的前n个元素组成的数组
   2. 需求：创建一个RDD，统计该RDD的条数
   （1）创建一个RDD
   scala> val rdd = sc.parallelize(Array(2,5,4,6,8,3))
   rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[2] at parallelize at :24
   （2）统计该RDD的条数
   scala> rdd.takeOrdered(3)
   res18: Array[Int] = Array(2, 3, 4)

   **2

7. 参数：(zeroValue: U)(seqOp: (U, T) ⇒ U, combOp: (U, U) ⇒ U)
   2. 作用：aggregate函数将每个分区里面的元素通过seqOp和初始值进行聚合，然后用combine函数将每个分区的结果和初始值(zeroValue)进行combine操作。这个函数最终返回的类型不需要和RDD中元素类型一致。
   3. 需求：创建一个RDD，将所有元素相加得到结果
   （1）创建一个RDD
   scala> var rdd1 = sc.makeRDD(1 to 10,2)
   rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[88] at makeRDD at :24
   （2）将该RDD所有元素相加得到结果
   scala> rdd.aggregate(0)(+,+)
   res22: Int = 55

   **2.4.8 fold(num

8. 作用：折叠操作，aggregate的简化操作，seqop和combop一样。
   2. 需求：创建一个RDD，将所有元素相加得到结果
   （1）创建一个RDD
   scala> var rdd1 = sc.makeRDD(1 to 10,2)
   rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[88] at makeRDD at :24
   （2）将该RDD所有元素相加得到结果
   scala> rdd.fold(0)(+)
   res24: Int = 55

   **

   作用：将数据集的元素以textfile的形式保存到HDFS文件系统或者其他支持的文件系统，对于每个元素，Spark将会调用toString方法，将它装换为文件中的文本

   **

   作用：将数据集中的元素以Hadoop sequencefile的格式保存到指定的目录下，可以使HDFS或者其他Hadoop支持的文件系统。

   **

   作用：用于将RDD中的元素序列化成对象，存储到文件中。

   **2

9. 作用：针对(K,V)类型的RDD，返回一个(K,Int)的map，表示每一个key对应的元素个数。
   2. 需求：创建一个PairRDD，统计每种key的个数
   （1）创建一个PairRDD
   scala> val rdd = sc.parallelize(List((1,3),(1,2),(1,4),(2,3),(3,6),(3,8)),3)
   rdd: org.apache.spark.rdd.RDD[(Int, Int)] = ParallelCollectionRDD[95] at parallelize at :24
   （2）统计每种key的个数
   scala> rdd.countByKey
   res63: scala.collection.Map[Int,Long] = Map(3 -> 2, 1 -> 3, 2 -> 1)

   **2

10. 作用：在数据集的每一个元素上，运行函数func进行更新。
    2. 需求：创建一个RDD，对每个元素进行打印
    （1）创建一个RDD
    scala> var rdd = sc.makeRDD(1 to 5,2)
    rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[107] at makeRDD at :24
    （2）对该RDD每个元素进行打印
    scala> rdd.foreach(println(_))
    3
    4
    5
    1
    2