muhongdi 2019-12-16
通过func函数聚集RDD 中的所有元素,先聚合分区内数据,再聚合分区间数据。
scala> val rdd1 = sc.parallelize(1 to 100) scala> rdd1.reduce(_ + _) res0: Int = 5050 scala> val rdd2 = sc.parallelize(Array(("a", 1), ("b", 2), ("c", 3))) scala> rdd2.reduce((x, y) => (x._1 + y._1, x._2 + y._2)) res2: (String, Int) = (abc,6)
以数组
的形式返回 RDD 中的所有元素.
所有的数据都会被拉到 driver 端,
所以要慎用
返回 RDD 中元素的个数.
返回 RDD 中前 n 个元素
组成的数组
.
take 的数据也会拉到 driver 端
, 应该只对小数据集使用
返回 RDD 中的第一个元素. 类似于take(1).
返回排序后的前 n 个元素
,默认是升序排列.
数据也会拉到 driver 端
scala> val rdd1 = sc.makeRDD(Array(100, 20, 130, 500, 60)) scala> rdd1.takeOrdered(2) res6: Array[Int] = Array(20, 60) scala> rdd1.takeOrdered(2)(Ordering.Int.reverse) res7: Array[Int] = Array(500, 130)
def aggregate[U: ClassTag](zeroValue: U)(seqOp: (U, T) => U, combOp: (U, U) => U): U
aggregate函数将每个分区
里面的元素通过seqOp和初始值
进行聚合
,然后用combine函数
将每个分区的结果
和初始值(zeroValue)
进行combine操作。
这个函数最终返回的类型不需要和RDD中元素类型一致
zeroValue
分区内聚合和分区间聚合的时候各会使用一次scala> val rdd1 = sc.makeRDD(Array(100, 30, 10, 30, 1, 50, 1, 60, 1), 2) rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[8] at makeRDD at <console>:24 scala> rdd1.aggregate(0)(_ + _, _ + _) res12: Int = 283 scala> val rdd1 = sc.makeRDD(Array("a", "b", "c", "d"), 2) rdd1: org.apache.spark.rdd.RDD[String] = ParallelCollectionRDD[9] at makeRDD at <console>:24 scala> rdd1.aggregate("-")(_ + _, _ + _) res13: String = --ab-cd
折叠
操作,aggregate的简化
操作,seqop和combop一样的时候,可以使用fold
scala> val rdd1 = sc.makeRDD(Array(100, 30, 10, 30, 1, 50, 1, 60, 1), 2) scala> rdd1.fold(0)(_ + _) scala> val rdd1 = sc.makeRDD(Array("a", "b", "c", "d"), 2) scala> rdd1.fold("-")(_ + _) res17: String = --ab-cd
作用:将数据集的元素以textfile的形式保存到HDFS文件系统或者其他支持的文件系统,对于每个元素,Spark 将会调用toString方法,将它装换为文件中的文本
作用:将数据集中的元素以 Hadoop sequencefile 的格式保存到指定的目录下,可以使 HDFS 或者其他 Hadoop 支持的文件系统。
作用:用于将 RDD 中的元素序列化成对象,存储到文件中。
作用:针对(K,V)类型的 RDD,返回一个(K,Int)的map,表示每一个key对应的元素个数。
应用: 可以用来查看数据是否倾斜
scala> val rdd1 = sc.parallelize(Array(("a", 10), ("a", 20), ("b", 100), ("c", 200))) scala> rdd1.countByKey() res19: scala.collection.Map[String,Long] = Map(b -> 1, a -> 2, c -> 1)
作用: 针对 RDD 中的每个元素都执行一次func
每个函数是在Executor 上执行的
, 不是在 driver 端执行的.