横扫Spark之 - 22个常见的转换算子

水善利万物而不争，处众人之所恶，故几于道????

文章目录

• • • 1. map()
    • 2. flatMap()
    • 3. filter()
    • 4. mapPartitions()
    • 5. mapPartitionsWithIndex()
    • 6. groupBy()
    • 7. distinct()
    • 8. coalesce()
    • 9. repartition()
    • 10. sortBy()
    • 11. intersection()
    • 12.union()
    • 13. subtract()
    • 14. zip()
    • 15. partitionBy()
    • 16. groupByKey()
    • 17. reduceByKey()
    • 18. aggregateByKey()()
    • 19. sortByKey()
    • 20. mapValues()
    • 21. join()
    • 22. cogroup()

1. map()

  用于对数据进行映射转换，返回一个新的RDD
  操作的是RDD中的每个元素
例：创建一个List集合的RDD，将其中的每个数字映射为二元元组，(“偶数”, 4)、(“奇数”, 1)这样的形式

  @Test
  def map(): Unit ={
    // 创建一个RDD，2个分区
    val rdd1 = sc.parallelize(List(1, 4, 6, 7),2)
		// 使用map()转换结构
    val rdd2 = rdd1.map(x => {
      if (x % 2 == 0)
        ("偶数", x)
      else ("奇数", x)
    })
		// 遍历RDD并打印
    rdd2.foreach(println)
  }

运行结果：

2. flatMap()

  转化+压平操作，先对RDD中的每个元素进行转换，然后将转换的结果（数组、列表等）进行压平，返回一个新的RDD
  操作的单位是RDD中的每个元素
例：将RDD中的元素进行切割，然后进行扁平化处理：

@Test
def flatMap(): Unit ={

  val rdd1 = sc.parallelize(List("spark,scala", "python,java", "hadoop,java"),3)

  val rdd2 = rdd1.flatMap(x=>{
    // 切割后的每个元素都是一个数组，然后将多个数组进行扁平化处理
    x.split(",")
  })
// 将扁平化后的结果数组，收集到Driver端，转成List然后打印（不转换为List也能打印，只不过打印的是地址值，没有重写toString方法）
  println(rdd2.collect().toList)
}

结果：

3. filter()

  过滤数据，参数是一个返回值是Boolean类型的函数，将返回为true的元素保留
  操作的单位是每一个元素
例：过滤出RDD中奇数元素

@Test
def filter(): Unit ={

  val rdd1 = sc.parallelize(List(1, 2, 3, 4, 7, 8))

  val rdd2: RDD[Int] = rdd1.filter(x => {
  // 过滤奇数
    x % 2!=0
  })

  println(rdd2.collect().toList)
}

结果：

4. mapPartitions()

  以分区为单位，执行map，它拿到的是一个分区内所有数据的迭代器对象(iterator类型的迭代器)，你要遍历这个迭代器对象才能拿到这个分区里面的每个数据
  这个的应用场景一般是读取数据库操作的时候用，可以减少数据库连接的创建、销毁次数，提高效率
  普通的map是一个元素一个元素的操作，如果操作每个元素的时候都创建、销毁一次数据库连接，效率太差了，可以在每个分区创建一个连接，分区内的数据操作都用这一个连接，然后处理数据，并以批的形式执行操作这样效率比较高。
  为啥不能将数据库的连接抽取出来在map函数外面创建，map里面使用连接？因为函数体外的代码是在Driver执行的（Driver负责执行main方法），函数体内处理数据的逻辑是在Executor中task去执行的task和Driver不在一台机器上，如果task想用Driver上的对象，就要Driver把这个对象通过网络传给task，网络传递肯定要序列化，执行sql的PrepareStatement对象是根本没有继承序列化接口，无法序列化，所以就会报错

例：RDD里的是学生id，要求从数据库中查出学生姓名和家庭住址并打印 - (3,test3,陕西)
map写法：

    @Test
    def map(): Unit = {
    //  学生id
      val rdd1 = sc.parallelize(List(1, 3, 5, 77, 6, 34))
			// 对每个元素进行操作
      val rdd2 = rdd1.map(id=>{

        var connection: Connection = null
        var statement:PreparedStatement = null
        var name:String = null
        var address:String = null
        try{
	// 在map()函数体里面创建连接对象，因为map()是针对每个元素进行操作的，
  //	所以处理每个元素的时候都会进行连接的创建、销毁，效率低的要命
          connection = DriverManager.getConnection("jdbc:mysql://localhost:3306/test","root","123456")
          statement = connection.prepareStatement("select id,name,address from student where id=?")
          statement.setInt(1,id)
          val resultSet = statement.executeQuery()
          while (resultSet.next()) {
            name = resultSet.getString("name")
            address = resultSet.getString("address")
          }

        }catch {
          case e:Exception => e.printStackTrace()
        }finally {
          if (connection != null) {
            connection.close()
          }
          if (statement != null) {
            statement.close()
          }
        }

        (id,name,address)
      })

      println(rdd2.collect().toList)
    }

mapPartitions写法：

  @Test
  def mapPartitions(): Unit = {

    val rdd1 = sc.parallelize(List(1, 3, 5, 77, 6, 34))
    // 每个分区进行操作
    val rdd2 = rdd1.mapPartitions(idIterator => {
			// 每个分区创建一个对象
      var connection: Connection = null
      var statement: PreparedStatement = null
      // 将查到的数据缓存起来
      val listBuffer: ListBuffer[(Int, String, String)] = ListBuffer[(Int, String, String)]()
      try {
				// 这个连接对象在每个分区只会创建一次
        connection = DriverManager.getConnection("jdbc:mysql://localhost:3306/test", "root", "123456")
        statement = connection.prepareStatement("select id,name,address from student where id=?")
        println(connection)
        var name: String = null
        var address: String = null

        // idIterator.map(id=>{ 不能用map，因为用statement的时候连接已经被关闭了   
        // map()是转换算子，是延迟执行的，执行到这的时候还没有执行，而main方法已经把连接关闭了
        idIterator.foreach(id => {

          statement.setInt(1, id)
          val resultSet = statement.executeQuery()
          while (resultSet.next()) {
            name = resultSet.getString("name")
            address = resultSet.getString("address")
          }
          listBuffer += ((id, name, address))
        })

      } catch {
        case e: Exception => e.printStackTrace()
      } finally {
        if (connection != null) {
          connection.close()
        }
        if (statement != null) {
          statement.close()
        }
      }

      listBuffer.toIterator
    })

    println(rdd2.collect().toList)
  }

结果：

5. mapPartitionsWithIndex()

  和mapPartitions()类似，只不过它可以取到分区号
例：rdd1设置为2个分区，打印分区号和每个分区内的数据

  @Test
  def mapPartitionsWithIndex(): Unit = {

    val rdd1 = sc.parallelize(List(1, 3, 99, 56, 76, 7), 2)

    val rdd2 = rdd1.mapPartitionsWithIndex((index, iterator) => {
      println(s"分区号: ${index} === 区内数据：${iterator.toList}")
      iterator
    })

    // 这个为啥输出空，是因为iterator迭代器只能调用一次，用过后里面就没有数据了  前面println的时候已经toList()用过了，所以后面返回的iterator本来就是个空的....
    println(rdd2.collect().toList)
  }

结果：
  这个为啥输出空，是因为iterator迭代器只能调用一次，用过后里面就没有数据了 前面println的时候已经toList()用过了，所以后面返回的iterator本来就是个空的…

6. groupBy()

  通过传入函数的参数进行分组，分组后的value还是完整的整个元素
例：按照三元元组中第三个元素进行分组

  @Test
  def groupBy(): Unit = {
    val rdd1 = sc.parallelize(List(("zhangsan", "man", "beijing"), ("lisi", "woman", "xian"), ("zhaoliu", "man", "xian")))

    val rdd2 = rdd1.groupBy(_._3)

    println(rdd2.collect().toList)
  }

结果：

7. distinct()

  对RDD中的元素进行去重，返回一个去重后的RDD，新的RDD默认的分区数与原RDD分区数相同，也可以指定新RDD的分区数
  去重也可以用groupBy实现，直接按照元素分组，然后把元组中的第一个元素取出来就是去重后的结果

  @Test
  def distinct(): Unit = {

    val rdd1 = sc.parallelize(List(1, 2, 3, 4, 5, 3, 2, 1, 1))

        val rdd2 = rdd1.distinct()

/*
    val rdd3 = rdd1.groupBy(w => w)

    val rdd4 = rdd3.map(_._1)
*/

    println(rdd2.collect().toList)
  }

结果：

8. coalesce()

  合并分区，不会走shuffle，分区数比原来的小才能生效，如果想要将分区变多，要开启第二个参数，它会走shuffle将分区变多
  

  @Test
  def coalesce(): Unit = {
		// 将算子分区数设置为6个分区
    val rdd1 = sc.parallelize(List(3, 454, 566, 7, 5657, 6734545, 4, 5), 6)
	// 将分区合并为4个
//    val rdd2 = rdd1.coalesce(4)
    val rdd2 = rdd1.coalesce(8,true)

    println(rdd2.collect().toList)

    Thread.sleep(900000000)

  }

结果：通过web页面查看，可以看到分区变为了8个

9. repartition()

  重分区，它可以增大或者减少分区数，它底层调用的就是coalesce() 只不过把是否shuffle恒设置为了true
  

  @Test
  def repartition(): Unit = {

    val rdd1 = sc.parallelize(List(2, 3, 4, 5, 6, 3, 3, 4, 5, 4), 4)

    val rdd2 = rdd1.repartition(6)

    println(s"rdd1分区数：${rdd1.getNumPartitions}\nrdd2分区数：${rdd2.getNumPartitions}")

  }

结果：

10. sortBy()

  排序，默认升序排序，他会走shuffle，它使用的分区器是RangePartitioner

  @Test
  def sortBy(): Unit = {

    val rdd1 = sc.parallelize(List(1, 4, 5, 6, 7, 4, 2, 2, 5, 7, 8), 6)
// 第二个参数默认是true，也就是升序排序，降序的话就false
    val rdd2 = rdd1.sortBy(x => x, false) 

    println(rdd2.collect().toList)
  }

结果：

11. intersection()

  交集，取两个RDD的相同元素，会有两次shuffle，因为要想取出交集，就要把相同的元素聚在一起才能知道有没有相同的元素，那就rdd1落盘，rdd2落盘，然后rdd3再把两个数据拉过来，所以有两次shuffle

  @Test
  def intersection(): Unit = {

    val rdd1 = sc.parallelize(List(1, 2, 3, 4, 5), 6)
    val rdd2 = sc.parallelize(List(4, 5, 6, 7, 8), 4)

    val rdd3 = rdd1.intersection(rdd2)

    println(rdd3.collect().toList)

    Thread.sleep(10000000)
  }

结果：

12.union()

  并集，并集没有shuffle，他只是单纯的将两个RDD的数据放到一起，不关心有没有相同的数据。新RDD的分区数是原来两个RDD分区数之和

  @Test
  def union(): Unit = {

    val rdd1 = sc.parallelize(List(1, 2, 3, 4, 5), 5)
    val rdd2 = sc.parallelize(List(4, 5, 6, 7, 8), 4)

    val rdd3 = rdd1.union(rdd2)

    println(rdd3.collect().toList)
    println(rdd3.getNumPartitions) // 并集的分区数是两个RDD集合的分区数之和

    Thread.sleep(10000000)
  }

结果：

13. subtract()

  差集合，它会产生shuffle，取方法调用者的分区数，因为衍生RDD的分区数取决于依赖的第一个RDD的分区数

  @Test
  def subtract(): Unit = {

    val rdd1 = sc.parallelize(List(1, 2, 3, 4, 5), 3)
    val rdd2 = sc.parallelize(List(4, 5, 6, 7, 8), 4)

    val rdd3 = rdd1.subtract(rdd2)

    println(rdd3.collect().toList)
    println(rdd3.getNumPartitions) //取方法调用者的分区数，衍生RDD的分区数取决于依赖的第一个RDD的分区数

    Thread.sleep(10000000)
  }

结果：

14. zip()

  拉链，spark中的拉链要求两个RDD的分区数和数据条数都必须一样才能拉起来
  

  @Test
  def zip(): Unit = {

    val rdd1 = sc.parallelize(List("hello", "spark", "xian", "beijign"), 5)
    val rdd2 = sc.parallelize(List(1, 2, 3, 4), 5)

    val rdd3 = rdd1.zip(rdd2)

    println(rdd3.collect().toList)

  }

结果：

15. partitionBy()

  它的参数是一个分区器，按照给定的分区器重新分区。注意他这个要求操作的RDD必须是k-v键值对才能使用
  

  @Test
  def partitionBy(): Unit = {

    val rdd1 = sc.parallelize(List(1, 3, 4, 5, 6, 7, 9), 4)
    //    4个分区，集合长度为7            0： (0*7)/4 - (1*7)/4  =>  0-1   => 1
    //                                1： (1*7)/4 - (2*7)/4  =>  1-3   => 3 4
    //                                2： 3 - (3*7)/4        =>  3-5   => 5 6
    //                                3： 5 - (4*7)/4        =>  5-6   => 7 9
    //

    val rdd2 = rdd1.map(x => {
      (x, null)
    })

    val rdd3 = rdd2.partitionBy(new HashPartitioner(5))
    //                                                        1%5 = 1 1在1号分区
    //                                                        3%5 = 3
    //
    //                  0：  5
    //                  1： 1  6
    //                  2： 7
    //                  3： 3
    //                  4：  4  9
    //
    rdd3.mapPartitionsWithIndex((index, it) => {
      println(s"${index} ==  ${it.toList}")
      it
    }).collect()
  }

结果：

16. groupByKey()

  根据key分组，返回的新的RDD是KV键值对，value是所有key相同的value值。会走shuffle
  

  @Test
  def groupByKey(): Unit = {

    val rdd1 = sc.parallelize(List(("spark", 200), ("spark", 10), ("hadoop", 700), ("scala", 50), ("flink", 90000)), 3)

    val rdd2 = rdd1.groupByKey(2)

//    println(rdd2.getNumPartitions)

    rdd2.mapPartitionsWithIndex((index, it) => {
      println(s"groupByKey:  ${index} == ${it.toList}")
      it
    }).collect()

    // groupBy实现groupByKey的功能
    val rdd3 = rdd1.groupBy(x => x._1)
    val rdd4 = rdd3.map