1.distinct
2.cogroup
1.distinct
1.示例代码
package spark.examples import org.apache.spark.{SparkContext, SparkConf} import org.apache.spark.SparkContext._ object SparkRDDDistinct { def main(args : Array[String]) { val conf = new SparkConf().setAppName("SparkRDDDistinct").setMaster("local"); val sc = new SparkContext(conf); val rdd1 = sc.parallelize(List(1,8,2,1,4,2,7,6,2,3,1), 3) val pairs = rdd1.distinct(); pairs.saveAsTextFile("file:///D:/distinct" + System.currentTimeMillis()); println(pairs.toDebugString) } }
1.1 输出的RDD依赖
(3) MappedRDD[3] at distinct at SparkRDDDisctinct.scala:14 [] | ShuffledRDD[2] at distinct at SparkRDDDisctinct.scala:14 [] +-(3) MappedRDD[1] at distinct at SparkRDDDisctinct.scala:14 [] | ParallelCollectionRDD[0] at parallelize at SparkRDDDisctinct.scala:13 []
1.2 作业结果
part-000000: 6 3
part-000001: 4 1 7
part-000002: 8 2
注意的是:结果并没有排序
2.distict的源代码
def distinct(numPartitions: Int)(implicit ord: Ordering[T] = null): RDD[T] = map(x => (x, null)).reduceByKey((x, y) => x, numPartitions).map(_._1) ///map得到元组的第一个元素
3.RDD依赖图
2. cogroup
2.1 示例代码
package spark.examples import org.apache.spark.{SparkContext, SparkConf} import org.apache.spark.SparkContext._ object SparkRDDCogroup { def main(args: Array[String]) { val conf = new SparkConf().setAppName("SparkRDDCogroup").setMaster("local"); val sc = new SparkContext(conf); //第一个参数是集合,第二个参数是分区数 val rdd1 = sc.parallelize(List((1, 2), (2, 3), (3, 4), (2,10),(4, 5), (5, 6)), 3) val rdd2 = sc.parallelize(List((3, 6), (2, 8), (9,11)), 2); //cogroup操作的RDD的元素类型必须是K/V类型 val pairs = rdd1.cogroup(rdd2); pairs.saveAsTextFile("file:///D:/cogroup" + System.currentTimeMillis()); println(pairs.toDebugString) } }
2.2 RDD依赖关系
(3) MappedValuesRDD[3] at cogroup at SparkRDDCogroup.scala:17 [] | CoGroupedRDD[2] at cogroup at SparkRDDCogroup.scala:17 [] +-(3) ParallelCollectionRDD[0] at parallelize at SparkRDDCogroup.scala:13 [] +-(2) ParallelCollectionRDD[1] at parallelize at SparkRDDCogroup.scala:14 []
2.3 执行结果:
part-00000: (3,(CompactBuffer(4),CompactBuffer(6))) (9,(CompactBuffer(),CompactBuffer(11)))
part-00001: (4,(CompactBuffer(5),CompactBuffer())) (1,(CompactBuffer(2),CompactBuffer()))
part-00002: (5,(CompactBuffer(6),CompactBuffer())) (2,(CompactBuffer(3, 10),CompactBuffer(8)))
从结果中可以看到,
cogroup是对所有的Key进行聚合,不管这个Key在哪个RDD中出现,比如9,在rdd2中出现,那么也会出现在结果集中。
如果rdd中有两个Key一样的元素,比如(2,3),(2,10),那么跟rdd2的(2,8)聚合后得到什么结果?(2,(CompactBuffer(3, 10),CompactBuffer(8)))
2.4 RDD依赖图
cogroup函数的的源代码
/** * For each key k in `this` or `other1` or `other2` or `other3`, * return a resulting RDD that contains a tuple with the list of values * for that key in `this`, `other1`, `other2` and `other3`. */ def cogroup[W1, W2, W3](other1: RDD[(K, W1)], other2: RDD[(K, W2)], other3: RDD[(K, W3)], partitioner: Partitioner) : RDD[(K, (Iterable[V], Iterable[W1], Iterable[W2], Iterable[W3]))] = { if (partitioner.isInstanceOf[HashPartitioner] && keyClass.isArray) { throw new SparkException("Default partitioner cannot partition array keys.") } val cg = new CoGroupedRDD[K](Seq(self, other1, other2, other3), partitioner) cg.mapValues { case Array(vs, w1s, w2s, w3s) => (vs.asInstanceOf[Iterable[V]], w1s.asInstanceOf[Iterable[W1]], w2s.asInstanceOf[Iterable[W2]], w3s.asInstanceOf[Iterable[W3]]) } }
可见,cogroup最多对四个RDD同时做cogroup操作。cogroup操作的含义是,对在四个RDD中的每个Key进行操作,Key对应的Value是,每个RDD中这个Key对应的Value的集合所构成的元组
相关推荐
结合代码详细描述RDD算子的执行流程,并配上执行流程图
Transformation 算子用于对 RDD 进行变换操作,例如 map、filter 等,这些操作是延迟计算的,只有在触发 Action 算子时才真正执行。Action 算子会触发 SparkContext 提交作业并返回结果给驱动程序或写入外部存储系统...
根据给定文件的信息,本文将详细介绍25个经典Spark算子的Java实现,并结合详细的注释及JUnit测试结果,帮助读者更好地理解Spark算子的工作原理及其应用方式。 ### Spark算子简介 在Apache Spark框架中,算子是用于...
`first`算子返回RDD中的第一个元素。这在需要快速获取数据集的代表值时非常方便。 5. `take`算子: `take`算子返回RDD中的前n个元素组成的数组。这对于获取数据样本或者有限的输出很有帮助。 6. `takeOrdered`...
- **示例**:若`rdd1 = sc.parallelize([1, 2, 3])`,`rdd2 = sc.parallelize([3, 4, 5])`,执行`rdd1.union(rdd2)`后,得到的新RDD为`[1, 2, 3, 3, 4, 5]`。 8. **`intersection(otherDataset)`** - **功能**:...
SparkCore篇02主要介绍了RDD的一些基础转换算子,这些算子是Spark处理数据的核心工具。以下是关于这些算子的详细说明: 1. **map()**:map算子用于对RDD(Resilient Distributed Dataset)中的每个元素进行操作。它...
spark rdd函数大全。spark rdd操作为core操作,虽然后续版本主要以dataset来操作,但是rdd操作也是不可忽略的一部分。
Spark对于大数据行业的实时处理数据来说,有着举足轻重的位置,特此学习整理了RDD 算子的各个含义,希望各位读者能够喜欢。谢谢
RDD:弹性分布式数据集(ResilientDistributed Dataset),是Spark对数据的...本节将通过示例的方式验证第二节中相关的转化操作和行动操作。 转化和行动计算结果 代码地址: 参考文献: 王道远 《Spark 快速大数据分析》
四、Spark 算子实践操作 下面是一个使用 Spark 算子的实践操作: 1. 首先,我们需要将数据放入 Hadoop 集群中。 ``` hdfs dfs -mkdir /spark hdfs dfs -put word.txt /spark/1.log hdfs dfs -put word.txt /spark/...
大数据实验报告 Windows 环境下安装 Spark 及 RDD 编程和 Spark 编程实现 wordcount 本实验报告主要介绍了在 Windows 环境下安装 Spark 及 RDD 编程和 Spark 编程实现 wordcount 的步骤和过程。实验中首先安装了 ...
Spark思维导图之Spark RDD.png
2. **filter()**: 通过传入一个谓词函数,filter算子可以筛选出满足条件的元素,返回一个新的RDD。这个操作常用于数据预处理,例如删除无效或异常的数据。 3. **reduceByKey()**: 在键值对的RDD上操作,将具有相同...
### Spark RDD操作详解 #### 一、RDD概念与特性 **RDD(弹性分布式数据集)**是Apache Spark的核心抽象,代表一种不可变的、可分区的、能够进行并行操作的数据集合。它提供了丰富的API来支持高效的大规模数据处理...
`cartesian` 操作会产生两个 RDD 的笛卡尔积,即第一个 RDD 中的每一个元素都会与第二个 RDD 中的所有元素组合。 **示例代码:** ```scala val numbers1 = sc.parallelize(Array(1, 2)) val numbers2 = sc....
Spark 算子是 Spark 框架中最基本的组成部分,它们是 Spark 程序的主要构建块。Spark 算子可以分为两类:Transformation 变换/转换算子和 Action 行动算子。 Transformation 变换/转换算子并不触发提交作业,完成...
Spark 算子详解 Spark 是一个基于内存的分布式计算框架,提供了多种算子来实现数据的处理和转换。本文将详细介绍 Spark 中常用的 Transformations 算子,包括 map、mapPartitions、mapPartitionsWithIndex、flatMap...
"Spark 运行原理和 RDD 解密" Spark 是一个分布式计算框架,基于内存和磁盘,特别适合于迭代计算。Spark 的运行原理可以分为两大部分:Driver 端和 Executor 端。Driver 端负责提交任务,Executor 端负责执行任务...
在大数据处理框架Apache Spark中,RDD(弹性分布式数据集)是基础的数据处理抽象,它提供了容错、分布式数据操作的能力。而DataFrame和Dataset是Spark SQL中更高级的数据抽象,提供了更多的优化和易于使用的特点。...
### Spark RDD论文中文版知识点详述 #### 一、引言 Spark RDD(Resilient Distributed Datasets)作为Apache Spark的核心组件之一,在大数据处理领域扮演着至关重要的角色。本论文旨在探讨Spark RDD的设计理念及其在...