大数据-85 Spark 集群 RDD创建 RDD-Action Key-Value RDD详解 RDD的文件输入输出

点一下关注吧！！！非常感谢！！持续更新！！！

目前已经更新到了：

• Hadoop（已更完）
  HDFS（已更完）
  MapReduce（已更完）
  Hive（已更完）
  Flume（已更完）
  Sqoop（已更完）
  Zookeeper（已更完）
  HBase（已更完）
  Redis （已更完）
  Kafka（已更完）
  Spark（正在更新！）

章节内容

上节我们完成了如下的内容：

• RDD 的创建
• 从集合创建RDD、从文件创建RDD、从RDD创建RDD
• RDD操作算子：Transformation 详细解释
  Transformation

RDD的操作算子分为两类：

• Transformation，用来对RDD进行转换，这个操作时延迟执行的（或者是Lazy），Transformation，返回一个新的RDD
• Action，用来触发RDD的计算，得到相关计算结果或者将结果保存到外部系统中，Action：返回int、double、集合（不会返回新的RDD）

上节完成了Transformation

Action

Action 用来触发RDD的计算，得到相关的计算结果

• collect()/collectAsMap()
• stats/count/mean/stdev/max/min
• reduce(func)/fold(func)/aggregate(func)
• first() 返回第一个RDD
• take(n) 从开头拿一定数量的RDD
• top(n) 按照将需或指定排序规则 返回前num个元素
• takeSample 返回采样数据
• froeach / foreachPartition 与 map、mapPartition类似
• saveAsTextFile/saveAsSequenceFile/saveAsObjectFile

Key-Value RDD

RDD整体上分为 Value类型 和 Key-Value类型
前面介绍是 Value类型的RDD操作，实际上使用更多的是Key-Value类型的RDD，也称为 PairRDD

• Value类型的RDD操作基本集中在RDD.scala中
• Key-Value类型的RDD操作集中在PairRDDFunctions.scala中

创建PairRDD

val arr = (1 to 10).toArray
val arr1 = arr.map(x => (x, x*10, x*100))

# rdd1 不是 Pair RDD
val rdd1 = sc.makeRDD(arr1)

# rdd2 是 Pair RDD
val arr2 = arr.map(x => (x, (x*10, x*100)))
val rdd2 = sc.makeRDD(arr2)

运行查看如下的结果：

Transformation操作

mapValues

# mapValues代码更简洁
val a = sc.parallelize(List((1,2),(3,4),(5,6)))
val b = a.mapValues(x => 1 to x)
b.collect

运行结果如下图：

flatMapValues

将values压平、拍平

val c = a.flatMapValues(x => 1 to x)
c.collect

执行结果如下图所示：

groupByKey

键值对的key表示图书名称，value表示某天图书销量。计算每个键对应的平均值，也就是计算每种图书的每天平均销量。

val rdd = sc.makeRDD(Array(("spark", 12), ("hadoop", 26),("hadoop", 23), ("spark", 15), ("scala", 26), ("spark", 25),("spark", 23), ("hadoop", 16), ("scala", 24), ("spark", 16)))

# 三种写法
rdd.groupByKey().map(x => (x._1, x._2.sum.toDouble/x._2.size)).collect

rdd.groupByKey().map{case (k, v) => (k,v.sum.toDouble/v.size)}.collect

rdd.groupByKey.mapValues(v => v.sum.toDouble/v.size).collect

执行结果如下图所示：

reduceByKey

这种方式也可以
rdd.mapValues((_, 1)).reduceByKey((x, y)=> (x._1+y._1, x._2+y._2)).mapValues(x => (x._1.toDouble / x._2)).collect()

foldByKey

rdd.mapValues((_, 1)).foldByKey((0, 0))((x, y) => {
(x._1+y._1, x._2+y._2)}).mapValues(x=>x._1.toDouble/x._2).collect

执行结果如下图所示：

sortByKey

根据key来进行排序

val a = sc.parallelize(List("wyp", "iteblog", "com","397090770", "test"))
val b = sc.parallelize(1 to a.count.toInt)
val c = a.zip(b)
c.sortByKey().collect
c.sortByKey(false).collect

执行如下图所示：

cogroup

val rdd1 = sc.makeRDD(Array((1,"Spark"), (2,"Hadoop"),(3,"Kylin"), (4,"Flink")))
val rdd2 = sc.makeRDD(Array((3,"李四"), (4,"王五"), (5,"赵六"),(6,"冯七")))

# join
val rdd3 = rdd1.cogroup(rdd2)
rdd3.collect.foreach(println)

rdd3.filter{case (_, (v1, v2)) => v1.nonEmpty & v2.nonEmpty}.collect

执行结果如下图所示：

outerjoin

# 不同的JOIN操作
rdd1.join(rdd2).collect
rdd1.leftOuterJoin(rdd2).collect
rdd1.rightOuterJoin(rdd2).collect
rdd1.fullOuterJoin(rdd2).collect

执行结果如下图所示：

lookup

rdd1.lookup("1")
rdd1.lookup(3)

执行结果如下图所示：

文件输入输出

文本文件

• 数据读取：textFile(String)，可指定单个文件，支持通配符
• 返回值RDD[(String, Sting)]，其中Key是文件的名称，Value是文件的内容。
• 数据保存：saveAsTextFile(String) 指定输出目录

csv文件

读取CSV（Comma-Separated Values）/TSV（Tab-Separaed Values）数据和读取JSON数据相似，都需要先把文件当做普通文件来读取数据，然后通过将每一行进行解析实现对CSV的提取。
CSV/TSV 数据的输出也是需要将结构化RDD通过相关库转换成字符串的RDD，然后使用Spark的文本文件API写出去

JSON文件

如果JSON文件中每一行就是一个JSON记录，那么可以通过将JSON文件当做文本文件来读取，然后利用相关的JSON库对每一条数据进行JSON解析
JSON数据的输出主要通过在输出之前将由结构化数据组成的RDD转换为字符串RDD，然后使用Spark的文本文件API写出去
JSON文件的处理使用 SparkSQL 最为简洁。

SequenceFile

SequenceFile文件是Hadoop用存储二进制形式的Key-Value而设计的一种平面文件（FlatFile）。
Spark有专门用来读取SequenceFile的接口，在SparkContext中，可以调用：SequenceFile[keyClass, valueClass]；
调用 saveAsSequenceFile(path)保存PairRDD，系统将键和值能够自动转换为Writable类型。

对象文件

对象文件是序列化后保存的文件，采用Java的序列化机制。
通过 objectFile 接收一个路径，读取对象文件，返回对应的RDD，也可以通过调用saveAsObjectFile() 实现对对象文件的输出，因为序列化所以要指定类型。