文章目录
1. 算子（方法）介绍
rdd中封装了各种算子方便进行计算，主要分为两类：
transformation 转换算子- 对RDD数据进行转化得到
新的RDD，定义了一个线程任务。 - 常见：map、filter、flatMap、reduceByKey、groupByKey、sortByKey
- 对RDD数据进行转化得到
action 触发算子触发计算任务，让计算任务进行执行，得到结果。- 触发线程执行的。
- 常见：foreach、first、count、reduce、saveAsTextFile、collect、take
RDD的转换算子大部分都是从RDD中读取元素数据（RDD中每条数据），具体计算需要开发人员编写函数传递到RDD算子中。
RDD的执行算子则大部分是用来获取数据，collect方法就是触发算子。
注意：
- 转换算子是lazy模式，一般不会触发job和task的运行，返回值一定是RDD。
- 执行算子，会触发job和task的运行，返回值一定不是RDD。
2. 常用transformation算子
2.1 map
- RDD.map(lambda 参数:参数计算)
- 参数接受每个元素数据
# Map算子使用
# map算子主要使用长场景，一个转化rdd中每个元素的数据类型，拼接rdd中的元素数据，对rdd中的元素进行需求处理
# 需求，处理hdfs中的学生数据，单独获取每个学生的信息
from pyspark import SparkContext
sc = SparkContext()
# 1- 读取hdfs中的学生数据
rdd = sc.textFile('hdfs://node1:8020/data/stu.txt')
# 2- 使用转化算子进行数据处理
# map中的lambda表达式，必须定义一个参数，用来接收rdd中的元素数据, 注意：x参数如何处理，要看x接收的数据类型
rdd2 = rdd.map(lambda x:x.split(','))
# 3-从rdd2中获取姓名数据
rdd3 = rdd2.map(lambda x:x[1])
# lambda 函数能进行简单的数据计算，如果遇到复杂数据计算时，就需要使用自定义函数
# 获取年龄数据，并且转化年龄数据为int类型，将年龄和性别合并一起保存成元组 (男,20) (女,21)
def func(x):
# 1-先切割数据
data_split = x.split(',')
# 2-转化数据类型
age = int(data_split[2])
# 3-拼接性别和年龄
data_tuple = (data_split[3],age)
return data_tuple
# 将函数的名字传递到map中，不要加括号
rdd4 = rdd.map(func)
# 触发执行算子，查看读取的数据
res = rdd.collect()
print(res)
res2 = rdd2.collect()
print(res2)
res3 = rdd3.collect()
print(res3)
res4 = rdd4.collect()
print(res4)
运行结果：
2.2 flatMap
- 处理的是二维嵌套列表数据[[1,‘张三’],[2,‘李四’],[3,‘王五’]] --> [1, ‘张三’, 2, ‘李四’, 3, ‘王五’]
- rdd.flatMap(lambda 参数：[参数计算])
#flatmap算子使用
# 主要使用场景是对二维嵌套的数据降维操作 [[1,'张三'],[2,'李四'],[3,'王五']] --> [1, '张三', 2, '李四', 3, '王五']
from pyspark import SparkContext
sc = SparkContext()
#生成rdd
rdd = sc.parallelize([[1,'张三'],[2,'李四'],[3,'王五']])
#使用flatmap算子进行转化
rdd2 = rdd.flatMap(lambda x: x)
#查看数据
res = rdd2.collect()
print(res)
运行结果：
2.3 filter
- rdd.filter(lambda 参数：参数条件过滤)
- 条件过滤的书写和Python中if判断的一样
# RDD数据过滤
# 需求：过滤年龄大于20岁的信息
from pyspark import SparkContext
sc = SparkContext()
# 1- 读取hdfs中的学生数据
rdd = sc.textFile('hdfs://node1:8020/data/stu.txt')
# 2- 使用转化算子进行数据处理
# map中的lambda表达式，必须定义一个参数，用来接收rdd中的元素数据, 注意：x参数如何处理，要看x接收的数据类型
rdd2 = rdd.map(lambda x:x.split(','))
#使用fliter方法进行数据过滤
rdd3 = rdd2.filter(lambda x: int(x[2]) > 20)
rdd4 = rdd2.filter(lambda x:x[3]=='男')
# 查看数据
res = rdd2.collect()
print(res)
res3 = rdd3.collect()
print(res3)
res4 = rdd4.collect()
print(res4)
运行结果：
2.4 distinct
- 不需要lambda rdd.distinct
# distinct 去重算子
# rdd中有重复数据时，可以进行去重
from pyspark import SparkContext
sc = SparkContext()
# 1- 读取hdfs中的学生数据
rdd = sc.textFile('hdfs://node1:8020/data/stu.txt')
# 2- 使用转化算子进行数据处理
# map中的lambda表达式，必须定义一个参数，用来接收rdd中的元素数据, 注意：x参数如何处理，要看x接收的数据类型
rdd2 = rdd.map(lambda x: x.split(','))
# 3-从rdd2中获取性别数据
rdd3 = rdd2.map(lambda x: x[3])
#对rdd3中的数据去重
rdd4 = rdd3.distinct()
#查看数据
res = rdd3.collect()
print(res)
res1 = rdd4.collect()
print(res1)
运行结果：
2.6 groupBy
- rdd.groupBy(lambda 参数：根据参数编写分组条件)
- mapValues(list)
# groupBy分组
# 按照不同性别进行分组
# 原理： 就是对需要分组的数据进行hash取余数 ，余数相同会放入同一组
from pyspark import SparkContext
sc = SparkContext()
# 1- 读取hdfs中的学生数据
rdd = sc.textFile('hdfs://node1:8020/data/stu.txt')
# 2- 使用转化算子进行数据处理
# map中的lambda表达式，必须定义一个参数，用来接收rdd中的元素数据, 注意：x参数如何处理，要看x接收的数据类型
rdd2 = rdd.map(lambda x: x.split(','))
# 3- 对性别进行分组
rdd3 = rdd2.groupBy(lambda x: hash(x[3]) % 2)
#查看分组的数据内容 mapValues 取出分组后的数据值，对数据值转为列表即可
rdd4 = rdd3.mapValues(lambda x:list(x))
# 查看数据内容
res = rdd2.collect()
print(res)
res3 = rdd3.collect()
print(res3)
res4 = rdd4.collect()
print(res4)
运行结果：
2.7 sortBy()
- rdd.sortBy(lambda x:x,ascending=False)
#RDD的数据排序
from pyspark import SparkContext
sc = SparkContext()
# 生成rdd数据
# 非k,v数据
rdd = sc.parallelize([4,7,3,2,8])
#在spark中使用元组表示k,v数据
rdd2 = sc.parallelize([('张三',90),('李四',70),('王五',99)])
# 数据排序
rdd3 = rdd.sortBy(lambda x: x)
rdd4 = rdd.sortBy(lambda x: x,ascending=False)
#k,V数据排序
rdd5 = rdd2.sortBy(lambda x: x[1],ascending=False)
rdd6 = rdd2.sortBy(lambda x: x[1])
#查看结果
res = rdd3.collect()
print(res)
res2 = rdd4.collect()
print(res2)
res3 = rdd5.collect()
print(res3)
res4 = rdd6.collect()
print(res4)
运行结果：
2.8 k-v数据[(k,v),(k1,v1)]
- groupByKey()
- rdd.groupByKey()
- reduceByKey()
- rdd.reduceByKey(lambda 参数1，参数2：对两个参数计算)
- sortByKey()
- rdd.sortByKey()
#k,v结构数据处理
from pyspark import SparkContext
sc = SparkContext()
#k,v分组
# 1. 读取hdfs中的学生数据
rdd = sc.textFile('hdfs://node1:8020/data/stu.txt')
# 2. 使用转化算子进行数据处理
rdd2 = rdd.map(lambda x: x.split(','))
#将数据转为k,v结构，然后进行分组，把分组的字段作为key值
rdd3 = rdd2.map(lambda x: (x[3], x))
# 使用groupBykey方法，按key进行分组
rdd4 = rdd3.groupByKey().mapValues(lambda x: list(x))
#k,v数据计算
#统计不同性别的年龄总和 （求和 平均数 最大值 最小值 数量）
#将需要计算的数据转为k,v结构 分组的字段是key值 聚合数据是value值
rdd5 = rdd2.map(lambda x: (x[3],int(x[2])))
# 使用reduceBykey方法进行聚合计算 会将相同key值的数据先合并，然后在聚合计算
# 聚合计算的算子，lambda x,y 需要结合两个参数
rdd6 = rdd5.reduceByKey(lambda x, y: x+y)
rdd7 = rdd5.groupByKey().mapValues(lambda x: sum(list(x))/len(list(x)))
rdd8 = rdd5.groupByKey().mapValues(lambda x: max(list(x)))
res = rdd2.collect()
print(res)
res3 = rdd3.collect()
print(res3)
res4 = rdd4.collect()
print(res4)
res5 = rdd5.collect()
print(res5)
res6 = rdd6.collect()
print(res6)
res7 = rdd7.collect()
print(res7)
res8 = rdd8.collect()
print(res8)
运行结果：
3. 常用action算子
- collecct()取出RDD中所有值
- rdd.collect()
- reduce() 非k-v类型数据累加[1,2,3,4,6]
- rdd.reduce(lambda 参数1,参数2:两个参数计算)
- count() 统计RDD元素个数
- rdd.count()
- take() 取出指定数量值
- rdd.take(数量)
# action算子使用
# 触发转化算子执行
from pyspark import SparkContext
sc = SparkContext()
# 生成rdd
rdd = sc.parallelize([1,2,3,4])
rdd_kv = sc.parallelize([('a',2),('b',3)])
# 进行转化处理
# 使用action
# 获取rdd中所有元素数据，转为列表展示
res = rdd.collect()
print(res)
# 指定取出的数据数量
res2 = rdd.take(3)
print(res2)
# 对非kv数据计算
# 求和
res3 = rdd.reduce(lambda x,y:x+y)
print(res3)
# 求数量
res4 = rdd.count()
print(res4)
# 求最大值
res5 = rdd.max()
print(res5)
res6 = rdd.mean()
print(res6)
# 将kv数据转为字典输出
res7 = rdd_kv.collectAsMap()
print(res7)
# 将rdd结果保存到hdfs 指定目录路径，指定的目录不能存在
rdd_kv.saveAsTextFile('hdfs://node1:8020/data/result')
运行结果：
