Spark大数据处理学习笔记（3.2.1）掌握RDD算子

该文章主要为完成实训任务，详细实现过程及结果见【http://t.csdn.cn/FArNP】

---

一、准备工作

1.1 准备文件

1. 准备本地系统文件

• 在\home目录里创建words.txt
  

2. 把文件上传到

• 将words.txt上传到HDFS系统的/park目录里
  
• 查看文件内容
  

1.2 启动Spark Shell

1. 启动HDFS服务

• 执行命令：start-dfs.sh
  

2. 启动Spark服务

• 执行命令：start-all.sh
  

3. 启动Spark Shell

• 执行名命令： spark-shell --master spark://master:7077
  

二、掌握转换算子

2.1 映射算子 - map()

1. 映射算子功能

• map()是一种转换算子，它接收一个函数作为参数，并把这个函数应用于RDD的每个元素，最后将函数的返回结果作为结果RDD中对应元素的值。

2. 映射算子案例

• 预备工作：创建一个RDD - rdd1
• 执行命令：val rdd1 = sc.parallelize(List(1, 2, 3, 4, 5, 6))
  

任务1、将rdd1每个元素翻倍得到rdd2

• 对rdd1应用map()算子，将rdd1中的每个元素平方并返回一个名为rdd2的新RDD
  
• 查看结果
  

任务2、将rdd1每个元素平方得到rdd2

• 方法一、采用普通函数作为参数传给map()算子
  
• 方法二、采用下划线表达式作为参数传给map()算子
  

任务3、利用映射算子打印菱形

（1）Spark Shell里实现

• 右半菱形
  

• 加上前导空格，左半菱形
  

• 前导空格折半，显示菱形
  
  （2）在IDEA里创建项目实现

• 创建Maven项目
  

• 将java目录改成scala目录
  

• 在pom.xml文件里添加相关依赖和设置源程序目录
  

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd"><modelVersion>4.0.0</modelVersion><groupId>cn.kox.rdd</groupId><artifactId>SparkRDDDemo</artifactId><version>1.0-SNAPSHOT</version><dependencies><dependency><groupId>org.scala-lang</groupId><artifactId>scala-library</artifactId><version>2.12.15</version></dependency><dependency><groupId>org.apache.spark</groupId><artifactId>spark-core_2.12</artifactId><version>3.1.3</version></dependency></dependencies><build><sourceDirectory>src/main/scala</sourceDirectory></build><properties><maven.compiler.source>8</maven.compiler.source><maven.compiler.target>8</maven.compiler.target><project.build.sourceEncoding>UTF-8</project.build.sourceEncoding></properties></project>

• 添加日志属性文件
  

log4j.rootLogger=ERROR, stdout, logfile
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
log4j.appender.logfile=org.apache.log4j.FileAppender
log4j.appender.logfile.File=target/rdd.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n

• 创建hdfs-site.xml文件，允许客户端访问集群数据节点
  

<?xml version="1.0" encoding="UTF-8"?>
<configuration><property><description>only config in clients</description><name>dfs.client.use.datanode.hostname</name><value>true</value></property>
</configuration>

• 创建cn.kox.rdd.day01包
  
• 在cn.kox.rdd.day01包里创建Example01单例对象
  

package cn.kox.rdd.day01import org.apache.spark.{SparkConf, SparkContext}import scala.collection.mutable.ListBuffer
import scala.io.StdIn/*** @ClassName: Example01* @Author: Kox* @Data: 2023/6/12* @Sketch:*/
object Example01 {def main(args: Array[String]): Unit = {// 创建Spark配置对象val conf = new SparkConf().setAppName("PrintDiamond") // 设置应用名称.setMaster("local[*]") // 设置主节点位置（本地调试）// 基于Spark配置对象创建Spark容器val sc = new SparkContext(conf)// 输入一个奇数print("输入一个奇数：")val n = StdIn.readInt()//判断n的奇偶性if (n % 2 == 0) {println("温馨提示：你输入的不是奇数")return }// 创建一个可变列表val list = new ListBuffer[Int]()// 给列表赋值(1 to n by 2).foreach(list.append(_))(n - 2 to 1 by -2).foreach(list.append(_))// 基于列表创建rddval rdd = sc.makeRDD(list)// 对rdd进行映射操作val rdd1 = rdd.map(i => " " * ((n - i) / 2) + "*" * i)// 输出rdd1结果rdd1.collect.foreach(println)}
}

• 运行程序，查看结果
  

2.2 过滤算子 - filter()

1. 过滤算子功能

• filter(func)：通过函数func对源RDD的每个元素进行过滤，并返回一个新RDD，一般而言，新RDD元素个数会少于原RDD。

2. 过滤算子案例

任务1、过滤出列表中的偶数

• 整数（Integer）：奇数（odd number）+ 偶数（even number）
• 基于列表创建RDD，然后利用过滤算子得到偶数构成的新RDD
• 方法一、将匿名函数传给过滤算子
  
• 方法二、用神奇占位符改写传入过滤算子的匿名函数
  

任务2、过滤出文件中包含spark的行

• 查看源文件/park/words.txt内容
  
• 执行命令： val lines= sc.textFile("/park/words.txt")，读取文件 /park/words.txt生成RDD - lines
  
• 执行命令：val sparkLines = lines.filter(_.contains("spark"))，过滤包含spark的行生成RDD - sparkLines
  
• 执行命令：sparkLines.collect，查看sparkLines内容，可以采用遍历算子，分行输出内容

• 输出长度超过20的行
  

任务3、利用过滤算子输出[2000, 2500]之间的全部闰年

• 传统做法，利用循环结构嵌套选择结构来实现
  
• 要求每行输出10个数
  
• 采用过滤算子来实现
  
• 要求每行输出10个数
  

任务4、利用过滤算子输出[10, 100]之间的全部素数

• 过滤算子：filter(n => !(n % 2 == 0 || n % 3 == 0 || n % 5 == 0 || n % 7 == 0))
  

2.3 扁平映射算子 - flatMap()

1. 扁平映射算子功能

• flatMap()算子与map()算子类似，但是每个传入给函数func的RDD元素会返回0到多个元素，最终会将返回的所有元素合并到一个RDD。

2. 扁平映射算子案例

任务1、统计文件中单词个数

• 读取文件，生成RDD - rdd1，查看其内容和元素个数
• 
• 对于rdd1按空格拆分，做映射，生成新RDD - rdd2
  
• 对于rdd1按空格拆分，做扁平映射，生成新RDD - rdd3，有一个降维处理的效果
  
• 统计结果：文件里有25个单词

方法一、利用Scala来实现

• 利用列表的flatten函数
• 在cn.kox.rdd.day01包里创建Example02单例对象
  

package cn.kox.rdd.day01import org.apache.spark.{SparkConf, SparkContext}/*** @ClassName: Example02* @Author: Kox* @Data: 2023/6/12* @Sketch:*/
object Example02 {def main(args: Array[String]): Unit = {// 创建不规则二维列表val mat = List(List(7, 8, 1, 5),List(10, 4, 9),List(7, 2, 8, 1, 4),List(21, 4, 7, -4))// 输出二维列表println(mat)// 将二维列表扁平化为一维列表val arr = mat.flatten// 输出一维列表println(arr)// 输出元素个数println("元素个数：" + arr.size)}
}

• 运行程序，查看结果
  

方法二、利用Spark RDD来实现

• 利用flatMap算子
• 在cn.kox.rdd.day01包里创建Example03单例对象

package cn.kox.rdd.day01import org.apache.spark.{SparkConf, SparkContext}
/*** @ClassName: Example03* @Author: Kox* @Data: 2023/6/12* @Sketch:*/
object Example03 {def main(args: Array[String]): Unit = {// 创建Spark配置对象val conf = new SparkConf().setAppName("PrintDiamond") // 设置应用名称.setMaster("local[*]") // 设置主节点位置（本地调试）// 基于Spark配置对象创建Spark容器val sc = new SparkContext(conf)// 创建不规则二维列表val mat = List(List(7, 8, 1, 5),List(10, 4, 9),List(7, 2, 8, 1, 4),List(21, 4, 7, -4))// 基于二维列表创建rdd1val rdd1 = sc.makeRDD(mat)// 输出rdd1rdd1.collect.foreach(x => print(x + " "))println()// 进行扁平化映射val rdd2 = rdd1.flatMap(x => x.toString.substring(5, x.toString.length - 1).split(", "))// 输出rdd2rdd2.collect.foreach(x => print(x + " "))println()// 输出元素个数println("元素个数：" + rdd2.count)}
}

• 运行程序，查看结果
  

2.4 按键归约算子 - reduceByKey()

1. 按键归约算子功能

• reduceByKey()算子的作用对像是元素为(key,value)形式（Scala元组）的RDD，使用该算子可以将相同key的元素聚集到一起，最终把所有相同key的元素合并成一个元素。该元素的key不变，value可以聚合成一个列表或者进行求和等操作。最终返回的RDD的元素类型和原有类型保持一致。

2. 按键归约算子案例

任务1、在Spark Shell里计算学生总分

• 创建成绩列表scores，基于成绩列表创建rdd1，对rdd1按键归约得到rdd2，然后查看rdd2内容
• agg: aggregation 聚合值
• cur: current 当前值

val scores = List(("张钦林", 78), ("张钦林", 90), ("张钦林", 76),("陈燕文", 95), ("陈燕文", 88), ("陈燕文", 98),("卢志刚", 78), ("卢志刚", 80), ("卢志刚", 60))
val rdd1 = sc.makeRDD(scores)
val rdd2 = rdd1.reduceByKey((x, y) => x + y)
rdd2.collect.foreach(println)

• 可以采用神奇的占位符
  

任务2、在IDEA里计算学生总分

第一种方式：读取二元组成绩列表

• 在cn.kox.rdd.day02包里创建CalculateScoreSum01单例对象
  

package cn.kox.rdd.day02import org.apache.spark.{SparkConf, SparkContext}/*** @ClassName: CalculateScoreSum01* @Author: Kox* @Data: 2023/6/12* @Sketch:*/
object CalculateScoreSum01 {def main(args: Array[String]): Unit = {// 创建Spark配置对象val conf = new SparkConf().setAppName("PrintDiamond") // 设置应用名称.setMaster("local[*]") // 设置主节点位置（本地调试）// 基于Spark配置对象创建Spark容器val sc = new SparkContext(conf)// 创建二元组成绩列表val scores = List(("张钦林", 78), ("张钦林", 90), ("张钦林", 76),("陈燕文", 95), ("陈燕文", 88), ("陈燕文", 98),("卢志刚", 78), ("卢志刚", 80), ("卢志刚", 60))// 基于二元组成绩列表创建RDDval rdd1 = sc.makeRDD(scores)// 对成绩RDD进行按键归约处理val rdd2 = rdd1.reduceByKey(_ + _)// 输出归约处理结果rdd2.collect.foreach(println)}
}

• 运行程序，查看结果
  
  第二种方式：读取四元组成绩列表
• 在cn.kox.rdd.day02包里创建CalculateScoreSum02单例对象
  

package cn.kox.rdd.day02import org.apache.spark.{SparkConf, SparkContext}import scala.collection.mutable.ListBuffer
/*** @ClassName: CalculateScoreSum02* @Author: Kox* @Data: 2023/6/12* @Sketch:*/
object CalculateScoreSum02 {def main(args: Array[String]): Unit = {// 创建Spark配置对象val conf = new SparkConf().setAppName("PrintDiamond") // 设置应用名称.setMaster("local[*]") // 设置主节点位置（本地调试）// 基于Spark配置对象创建Spark容器val sc = new SparkContext(conf)// 创建四元组成绩列表val scores = List(("张钦林", 78, 90, 76),("陈燕文", 95, 88, 98),("卢志刚", 78, 80, 60))// 将四元组成绩列表转化成二元组成绩列表val newScores = new ListBuffer[(String, Int)]()// 通过遍历算子遍历四元组成绩列表scores.foreach(score => {newScores.append(Tuple2(score._1, score._2))newScores.append(Tuple2(score._1, score._3))newScores.append(Tuple2(score._1, score._4))})// 基于二元组成绩列表创建RDDval rdd1 = sc.makeRDD(newScores)// 对成绩RDD进行按键归约处理val rdd2 = rdd1.reduceByKey(_ + _)// 输出归约处理结果rdd2.collect.foreach(println)}
}

• 运行程序，查看结果
  

2.5 合并算子 - union()

1. 合并算子功能

• union()算子将两个RDD合并为一个新的RDD，主要用于对不同的数据来源进行合并，两个RDD中的数据类型要保持一致。

2. 合并算子案例

• 创建两个RDD，合并成一个新RDD
  
• 课堂练习：将两个二元组成绩表合并
• 在集合运算里，并集符号：∪ \cup∪，并集运算：A ∪ B A \cup BA∪B
• 在集合运算里，交集符号：∩ \cap∩，交集运算：A ∩ B A \cap BA∩B
• 在集合运算里，补集运算：A ˉ \bar A

2.6 排序算子 - sortBy()

1. 排序算子功能

• sortBy()算子将RDD中的元素按照某个规则进行排序。该算子的第一个参数为排序函数，第二个参数是一个布尔值，指定升序（默认）或降序。若需要降序排列，则需将第二个参数置为false。

2. 排序算子案例

• 一个数组中存放了三个元组，将该数组转为RDD集合，然后对该RDD按照每个元素中的第二个值进行降序排列。
  
• sortBy(x=>x._2,false)中的x代表rdd1中的每个元素。由于rdd1的每个元素是一个元组，因此使用x._2取得每个元素的第二个值。当然，sortBy(x=>x.2,false)也可以直接简化为sortBy(._2,false)。
  

2.7 按键排序算子 - sortByKey()

1. 按键排序算子功能

• sortByKey()算子将(key, value)形式的RDD按照key进行排序。默认升序，若需降序排列，则可以传入参数false。

2. 按键排序算子案例

• 将三个二元组构成的RDD按键先降序排列，然后升序排列
  
• 其实，用排序算子也是可以搞定的
  

2.8 连接算子

1. 内连接算子 - join()

• join()算子将两个(key, value)形式的RDD根据key进行连接操作，相当于数据库的内连接（Inner Join），只返回两个RDD都匹配的内容。
• 将rdd1与rdd2进行内连接
  

2. 左外连接算子 - leftOuterJoin()

• leftOuterJoin()算子与数据库的左外连接类似，以左边的RDD为基准（例如rdd1.leftOuterJoin(rdd2)，以rdd1为基准），左边RDD的记录一定会存在。例如，rdd1的元素以(k,v)表示，rdd2的元素以(k, w)表示，进行左外连接时将以rdd1为基准，rdd2中的k与rdd1的k相同的元素将连接到一起，生成的结果形式为(k, (v, Some(w))。rdd1中其余的元素仍然是结果的一部分，元素形式为(k,(v, None)。Some和None都属于Option类型，Option类型用于表示一个值是可选的（有值或无值)。若确定有值，则使用Some（值）表示该值；若确定无值，则使用None表示该值。
• rdd1与rdd2进行左外连接
  

3. 右外连接算子 - rightOuterJoin()

• rightOuterJoin()算子的使用方法与leftOuterJoin()算子相反，其与数据库的右外连接类似，以右边的RDD为基准（例如rdd1.rightOuterJoin(rdd2)，以rdd2为基准），右边RDD的记录一定会存在。
• rdd1与rdd2进行右外连接
  

4. 全外连接算子 - fullOuterJoin()

• fullOuterJoin()算子与数据库的全外连接类似，相当于对两个RDD取并集，两个RDD的记录都会存在。值不存在的取None。
• rdd1与rdd2进行全外连接
  

2.9 交集算子 - intersection()

• intersection()算子对两个RDD进行交集操作，返回一个新的RDD。要求两个算子类型要一致。
• rdd1与rdd2进行交集操作，满足交换律
  
• A ∩ B ≠ ϕ
  

2.10 去重算子 - distinct()

• distinct()算子对RDD中的数据进行去重操作，返回一个新的RDD。有点类似与集合的不允许重复元素。

1. 去重算子案例

• 去掉rdd中重复的元素
  

2. IP地址去重案例

• 在项目根目录创建ips.txt文件
  

192.168.234.21
192.168.234.22
192.168.234.21
192.168.234.21
192.168.234.23
192.168.234.21
192.168.234.21
192.168.234.21
192.168.234.25
192.168.234.21
192.168.234.21
192.168.234.26
192.168.234.21
192.168.234.27
192.168.234.21
192.168.234.27
192.168.234.21
192.168.234.29
192.168.234.21
192.168.234.26
192.168.234.21
192.168.234.25
192.168.234.25
192.168.234.21
192.168.234.22
192.168.234.21

• 在cn.kox.rdd.day03包里创建DistinctIPs单例对象
  

package cn.kox.rdd.day03import org.apache.spark.{SparkConf, SparkContext}/*** @ClassName: DistinctIPs* @Author: Kox* @Data: 2023/6/12* @Sketch:*/
object DistinctIPs {def main(args: Array[String]): Unit = {// 创建Spark配置对象val conf = new SparkConf().setAppName("DistinctIPs ") // 设置应用名称.setMaster("local[*]") // 设置主节点位置（本地调试）// 基于Spark配置对象创建Spark容器val sc = new SparkContext(conf)// 读取本地IP地址文件，得到RDDval ips = sc.textFile("D:\\Major\\BigData\\Spark\\SparkLesson2023U\\SparkRDDDemo\\ips.txt")// rdd去重再输出ips.distinct.collect.foreach(println)}
}

• 运行程序，查看结果
  
• 修改代码，保存去重结果到本地目录

（十一）组合分组算子 - cogroup()

• cogroup()算子对两个(key, value)形式的RDD根据key进行组合，相当于根据key进行并集操作。例如，rdd1的元素以(k, v)表示，rdd2的元素以(k, w)表示，执行rdd1.cogroup(rdd2)生成的结果形式为(k, (Iterable, Iterable))。
• rdd1与rdd2进行组合分组操作