关键字:Spark算子、Spark RDD分区、Spark RDD分区元素数量
Spark RDD是被分区的,在生成RDD时候,一般可以指定分区的数量,如果不指定分区数量,当RDD从集合创建时候,则默认为该程序所分配到的资源的CPU核数,如果是从HDFS文件创建,默认为文件的Block数。
可以利用RDD的mapPartitionsWithIndex方法来统计每个分区中的元素及数量。
关于mapPartitionsWithIndex的介绍可以参考 mapPartitionsWithIndex的介绍:
http://lxw1234.com/archives/2015/07/348.htm
具体看例子:
//创建一个RDD,默认分区15个,因为我的spark-shell指定了一共使用15个CPU资源
//–total-executor-cores 15
scala> var rdd1 = sc.makeRDD(1 to 50) rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[17] at makeRDD at :21 scala> rdd1.partitions.size res15: Int = 15
//统计rdd1每个分区中元素数量
rdd1.mapPartitionsWithIndex{ (partIdx,iter) => { var part_map = scala.collection.mutable.Map[String,Int]() while(iter.hasNext){ var part_name = "part_" + partIdx; if(part_map.contains(part_name)) { var ele_cnt = part_map(part_name) part_map(part_name) = ele_cnt + 1 } else { part_map(part_name) = 1 } iter.next() } part_map.iterator } }.collect res16: Array[(String, Int)] = Array((part_0,3), (part_1,3), (part_2,4), (part_3,3), (part_4,3), (part_5,4), (part_6,3), (part_7,3), (part_8,4), (part_9,3), (part_10,3), (part_11,4), (part_12,3), (part_13,3), (part_14,4)) //从part_0到part_14,每个分区中的元素数量
//统计rdd1每个分区中有哪些元素
rdd1.mapPartitionsWithIndex{ (partIdx,iter) => { var part_map = scala.collection.mutable.Map[String,List[Int]]() while(iter.hasNext){ var part_name = "part_" + partIdx; var elem = iter.next() if(part_map.contains(part_name)) { var elems = part_map(part_name) elems ::= elem part_map(part_name) = elems } else { part_map(part_name) = List[Int]{elem} } } part_map.iterator } }.collect res17: Array[(String, List[Int])] = Array((part_0,List(3, 2, 1)), (part_1,List(6, 5, 4)), (part_2,List(10, 9, 8, 7)), (part_3,List(13, 12, 11)), (part_4,List(16, 15, 14)), (part_5,List(20, 19, 18, 17)), (part_6,List(23, 22, 21)), (part_7,List(26, 25, 24)), (part_8,List(30, 29, 28, 27)), (part_9,List(33, 32, 31)), (part_10,List(36, 35, 34)), (part_11,List(40, 39, 38, 37)), (part_12,List(43, 42, 41)), (part_13,List(46, 45, 44)), (part_14,List(50, 49, 48, 47))) //从part_0到part14,每个分区中包含的元素
//从HDFS文件创建的RDD,包含65个分区,因为该文件由65个Block
scala> var rdd2 = sc.textFile("/logs/2015-07-05/lxw1234.com.log") rdd2: org.apache.spark.rdd.RDD[String] = MapPartitionsRDD[21] at textFile at :21 scala> rdd2.partitions.size res18: Int = 65
//rdd2每个分区的元素数量
scala> rdd2.mapPartitionsWithIndex{ | (partIdx,iter) => { | var part_map = scala.collection.mutable.Map[String,Int]() | while(iter.hasNext){ | var part_name = "part_" + partIdx; | if(part_map.contains(part_name)) { | var ele_cnt = part_map(part_name) | part_map(part_name) = ele_cnt + 1 | } else { | part_map(part_name) = 1 | } | iter.next() | } | part_map.iterator | | } | }.collect res19: Array[(String, Int)] = Array((part_0,202496), (part_1,225503), (part_2,214375), (part_3,215909), (part_4,208941), (part_5,205379), (part_6,207894), (part_7,209496), (part_8,213806), (part_9,216962), (part_10,216091), (part_11,215820), (part_12,217043), (part_13,216556), (part_14,218702), (part_15,218625), (part_16,218519), (part_17,221056), (part_18,221250), (part_19,222092), (part_20,222339), (part_21,222779), (part_22,223578), (part_23,222869), (part_24,221543), (part_25,219671), (part_26,222871), (part_27,223200), (part_28,223282), (part_29,228212), (part_30,223978), (part_31,223024), (part_32,222889), (part_33,222106), (part_34,221563), (part_35,219208), (part_36,216928), (part_37,216733), (part_38,217214), (part_39,219978), (part_40,218155), (part_41,219880), (part_42,215833...
更多关于Spark算子的介绍,可参考 Spark算子 :
http://lxw1234.com/archives/tag/spark%E7%AE%97%E5%AD%90
相关推荐
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...
在 Spark 中,数据以弹性分布式数据集(RDD)的形式存在,RDD 是 Spark 的核心数据结构,它是一个不可变的分布式对象集合,能够在节点之间进行有效的容错处理。 Spark 算子大致分为两类:Transformation 算子和 ...
这对于统计数据规模非常有用,例如,我们可以通过`count`算子计算一个RDD的元素数量。 4. `first`算子: `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...
count 算子统计 RDD 中的元素个数。first 算子返回 RDD 中的第一个元素。take 算子返回 RDD 中的前 n 个元素。 在 Spark 编程中,我们可以使用 Transformation 算子来处理数据,然后使用 Action 算子来触发作业提交...
Spark 算子是 Spark 框架中的一种数据处理单元,它可以将数据从一个RDD(Resilient Distributed Dataset)转换为另一个RDD。Spark 算子可以分为两大类: narrow dependency 算子和 wide dependency 算子。Narrow ...
本篇笔记主要涵盖了 Spark 大数据处理的学习笔记,包括了 Spark Standalone 集群的搭建、RDD 的创建和算子、RDD 的分区、RDD 典型案例、IDEA 开发词频统计项目等方面的知识点。 一、Spark Standalone 集群的搭建 *...
- **示例**:对于一个包含多个分区的RDD,可以使用`mapPartitions`对每个分区进行特定的处理,例如统计每个分区的元素数量。 5. **`mapPartitionsWithIndex(func)`** - **功能**:`mapPartitionsWithIndex(func)...
6. **countByKey()**: 对于分组后的数据,可以使用此算子统计每个键对应的元素数量。 7. **join()**: join操作用于将两个数据集按照共同的键进行连接,返回一个新的数据集,包含所有匹配的键值对。 8. **distinct...
PySpark_Day04:RDD Operations & Shared Variables 主要讲解了 RDD 算子、RDD 共享变量、综合实战案例及 Spark 内核调度。 知识点1:RDD 概念 RDD(Resilient Distributed Dataset)是 Spark Core 中的核心概念。...
在上面的例子中,我们使用 map 算子将一个包含四个元素的数组分配到两个分区中,然后对每个元素进行操作,模拟将数据写入数据库的过程。结果显示,每个元素都被处理了一次,每个元素都执行了一次写入数据库的操作。 ...
1. **map()**:map算子用于对RDD(Resilient Distributed Dataset)中的每个元素进行操作。它接受一个函数作为参数,这个函数会应用到RDD的每一个元素上,然后返回一个新的RDD,其元素是原始RDD元素经过函数转换后的...
4. (Key,Value)数据类型的RDD分区器:只有对于(Key,Value)的RDD,才会有Partitioner,非k-v的RDD的Partitioner的值是None。 5. 每个分区都有一个优先位置列表:''移动数据不如移动计算'' 二、RDD获取数据方式 ...
在Spark中,数据通常以RDD(弹性分布式数据集)的形式存在,并通过两种类型的算子进行处理:Transformation(转换)算子和Action(行动)算子。 **Transformation算子**:这些算子用于创建一个新的RDD。它们的操作...
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 ...
- `count()`: 计算RDD中的元素数量。 - `collect()`: 将RDD的所有元素收集到driver程序,通常用于小规模数据的查看。 - `saveAsTextFile()`: 将RDD内容保存为文本文件。 - `first()`: 获取RDD的第一个元素。 - ...
Spark中的弹性分布式数据集(Resilient Distributed Dataset, RDD)是其核心抽象概念,它代表了一个不可变、分区的记录集合,可以在集群中并行处理。RDD的主要特性包括以下几个方面: 1. **分片列表**:RDD是由多个...
- **概念**:RDD是Spark中最基本的数据抽象,是一种只读的、分布式的数据集合。 - **特性**: - 分布式存储:由多个分区组成,每个分区可以在不同的节点上。 - 容错性:通过依赖关系可以重建丢失的数据。 - 并行...
- RDD在代码中表现为抽象类,表示不可变、可分区的集合,并且其元素支持并行计算。 - RDD的主要功能是提供数据的并行处理和容错机制。 2. **RDD的属性** - **分区**:数据集由一组分区组成,每个分区是数据的...
Spark-textFile 构建 RDD 的分区及 Compute 计算策略 Spark-textFile 是 Spark 中的一种常用方法,用于从文本文件中构建 RDD。它的主要作用是将文本文件的内容读取出来,并将其转换为 RDD,以便进行后续的数据处理...
RDD,即弹性分布式数据集,是Spark的基本数据抽象,它是不可变且分区的。在处理数据时,Spark提供了丰富的算子,包括转换操作和动作操作。转换操作不改变原有RDD,而是创建新的RDD;动作操作则会触发实际计算,并...