Spark 的 RDD 學習第二節，筆記相關： 1.如何向 Spark 傳遞函數 2.Spark 常用的一些轉化和行動操作 3.Spark 的持久化級別 ...

Spark學習筆記3——RDD（下）

Spark學習筆記3——RDD（下）

筆記摘抄自 [美] Holden Karau 等著的《Spark快速大數據分析》

向Spark傳遞函數

大部分 Spark 的轉化操作和一部分行動操作，都需要傳遞函數後進行計算。如何傳遞函數下文將用 Java 展示。

Java 向 Spark 傳遞函數需要實現 Spark 的 org.apache.spark.api.java.function 包中的介面。一些基本的介面如下表：

函數名	實現的方法	用途
Function<T, R>	R call(T)	接收一個輸入值並返回一個輸出值，用於類似map() 和 filter() 等操作中
Function2<T1, T2, R>	R call(T1, T2)	接收兩個輸入值並返回一個輸出值，用於類似aggregate() 和fold() 等操作中
FlatMapFunction<T, R>	Iterable call(T)	接收一個輸入值並返回任意個輸出，用於類似flatMap() 這樣的操作中

通過匿名內部類

見上篇筆記常式。

通過具名類傳遞

class ContainsError implements Function<String, Boolean>() {
public Boolean call(String x) { return x.contains("error"); }
}
...
RDD<String> errors = lines.filter(new ContainsError());

使用具名類在程式組織比較龐大是顯得比較清晰

可以使用構造函數如“通過帶參數的 Java 函數類傳遞”中所示

通過帶參數的 Java 函數類傳遞

常式

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.Function;

import java.util.List;

public class Contains implements Function<String, Boolean> {
    private String query;

    public Contains(String query) {
        this.query = query;
    }

    public Boolean call(String x) {
        return x.contains(query);
    }

    public static void main(String[] args) {
        SparkConf sc = new SparkConf().setAppName("Contains");
        JavaSparkContext javaSparkContext = new JavaSparkContext(sc);
        JavaRDD<String> log = javaSparkContext.textFile(args[0]);
        
        JavaRDD<String> content = log.filter(new Contains(args[1]));
        
        List<String> contentList = content.collect();
        for (String output : contentList) {
            System.out.println(output);
        }
        javaSparkContext.stop();
    }
}

測試文本 test.txt

this is a test
this is a simple test
this is a simple test about RDD
let us check it out

測試結果

[root@server1 spark-2.4.4-bin-hadoop2.7]# bin/spark-submit --class Contains ~/RDDFuncNamedClass.jar ~/test.txt RDD
...
19/09/16 15:06:50 INFO DAGScheduler: Job 0 finished: collect at Contains.java:24, took 0.445049 s
this is a simple test about RDD
...

通過 lambda 表達式傳遞（僅限於 Java 8 及以上）

常式

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;

import java.util.List;

public class LambdaTest {
    public static void main(final String[] args) {
        SparkConf sc = new SparkConf().setAppName("Contains");
        JavaSparkContext javaSparkContext = new JavaSparkContext(sc);
        JavaRDD<String> log = javaSparkContext.textFile(args[0]);

        JavaRDD<String> content = log.filter(s -> s.contains(args[1]));

        List<String> contentList = content.collect();
        for (String output : contentList) {
            System.out.println(output);
        }
        javaSparkContext.stop();
    }
}

測試文本

使用上文同一個文本

運行結果

[root@server1 spark-2.4.4-bin-hadoop2.7]# bin/spark-submit --class Contains ~/RDDFuncNamedClass.jar ~/test.txt check
...
19/09/16 15:27:10 INFO DAGScheduler: Job 0 finished: collect at Contains.java:24, took 0.440515 s
let us check it out
...

常見的轉化操作和行動操作

Spark 中有不同類型的 RDD，不同的 RDD 可以支持不同的操作。

除了基本的RDD外，還有數字類型的 RDD 支持統計型函數操作、鍵值對形式的 RDD 支持聚合數據的鍵值對操作等等。

基本RDD

針對各個元素的轉化操作

為了方便，代碼在 pyspark 中展示：

# map()
# map() 的返回值類型不需要和輸入類型一樣
>>> nums = sc.parallelize([1, 2, 3, 4])
>>> squared = nums.map(lambda x: x * x).collect()
>>> for num in squared:
...     print "%i " % (num)
... 
1 
4 
9 
16

# flatMap()
# 給flatMap() 的函數被分別應用到了輸入RDD 的每個元素上。
# 返回的是一個返回值序列的迭代器。
# 
>>> lines = sc.parallelize(["hello world", "hi"])
>>> words = lines.flatMap(lambda line: line.split(" "))
>>> words.first()
'hello'

map() 和 flatmap() 區別如下：

RDD中flatmap和map的區別.jpg

偽集合操作

RDD 不算是嚴格意義上的集合，但是一些類似集合的屬性讓它能夠支持許多集合操作，下圖展示了常見的集合操作：

簡單的偽集合操作.jpg

此外，RDD 還支持笛卡爾積的操作：

RDD間笛卡爾積的操作.jpg

以下對基本 RDD 的轉化操作進行梳理：

單個 RDD {1，2，3，3} 的轉化操作

函數名	目的	示例	結果
map()	將函數應用於RDD 中的每個元素，將返回值構成新的RDD	rdd.map(x => x + 1)	{2, 3, 4, 4}
flatMap()	將函數應用於RDD 中的每個元素，將返回的迭代器的所有內容構成新的RDD。通常用來切分單詞	rdd.flatMap(x => x.to(3))	{1, 2, 3, 2, 3, 3, 3}
filter()	返回一個由通過傳給filter() 的函數的元素組成的RDD	rdd.filter(x => x != 1)	{2, 3, 3}
distinct()	去重	rdd.distinct()	{1, 2, 3}
sample(withReplacement, fraction, [seed])	對RDD 採樣，以及是否替換	rdd.sample(false, 0.5)	非確定的

兩個 RDD {1,2,3},{3,4,5}的 RDD 的轉化操作

函數名	目的	示例	結果
union()	生成一個包含兩個RDD 中所有元素的RDD	rdd.union(other)	{1, 2, 3, 3, 4, 5}
intersection()	求兩個RDD 共同的元素的RDD	rdd.intersection(other)	{3}
subtract()	移除一個RDD 中的內容（例如移除訓練數據）	rdd.subtract(other)	{1, 2}
cartesian()	與另一個RDD 的笛卡兒積	rdd.cartesian(other)	{(1, 3), (1, 4), ... (3, 5)}

行動操作

reduce() 與 reduceByKey()

常式¹

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;

import scala.Tuple2;

import java.util.Arrays;
import java.util.List;

public class SimpleReduce {
    public static void main(String[] args) {
        SparkConf sc = new SparkConf().setAppName("Contains");
        JavaSparkContext javaSparkContext = new JavaSparkContext(sc);
        List<Integer> data = Arrays.asList(1, 2, 3, 4, 5);
        JavaRDD<Integer> originRDD = javaSparkContext.parallelize(data);

        Integer sum = originRDD.reduce((a, b) -> a + b);
        System.out.println(sum);

        //reduceByKey，按照相同的key進行reduce操作
        List<String> list = Arrays.asList("key1", "key1", "key2", "key2", "key3");
        JavaRDD<String> stringRDD = javaSparkContext.parallelize(list);
        //轉為key-value形式
        JavaPairRDD<String, Integer> pairRDD = stringRDD.mapToPair(k -> new Tuple2<>(k, 1));
        List list1 = pairRDD.reduceByKey((x, y) -> x + y).collect();
        System.out.println(list1);
    }

}

運行結果

...
19/09/17 17:08:37 INFO DAGScheduler: Job 0 finished: reduce at SimpleReduce.java:21, took 0.480038 s
15
...
19/09/17 17:08:38 INFO DAGScheduler: Job 1 finished: collect at SimpleReduce.java:29, took 0.237601 s
[(key3,1), (key1,2), (key2,2)]
...

aggregate()²

常式

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.Function2;

import java.io.Serializable;
import java.util.Arrays;
import java.util.List;

public class AvgCount implements Serializable {
    private AvgCount(int total, int num) {
        this.total = total;
        this.num = num;
    }
    private int total;
    private int num;
    private double avg() {
        return total / (double) num;
    }

    public static void main(String[] args) {
        SparkConf sc = new SparkConf().setAppName("Contains");
        JavaSparkContext javaSparkContext = new JavaSparkContext(sc);
        List<Integer> data = Arrays.asList(1, 2, 3, 4, 5);
        JavaRDD<Integer> rdd = javaSparkContext.parallelize(data);
        AvgCount initial = new AvgCount(0, 0);
        Function2<AvgCount, Integer, AvgCount> addAndCount =
                new Function2<AvgCount, Integer, AvgCount>() {
                    public AvgCount call(AvgCount a, Integer x) {
                        a.total += x;
                        a.num += 1;
                        return a;
                    }
                };
        Function2<AvgCount, AvgCount, AvgCount> combine =
                new Function2<AvgCount, AvgCount, AvgCount>() {
                    public AvgCount call(AvgCount a, AvgCount b) {
                        a.total += b.total;
                        a.num += b.num;
                        return a;
                    }
                };
        AvgCount result = rdd.aggregate(initial, addAndCount, combine);
        System.out.println(result.avg());
    }
}

運行結果

[root@server1 spark-2.4.4-bin-hadoop2.7]# bin/spark-submit --class AvgCount ~/Spark_RDD_Aggregate.jar
...
19/09/18 15:28:19 INFO DAGScheduler: Job 0 finished: aggregate at AvgCount.java:43, took 0.517385 s
3.0
...

常用的行動操作整理

函數名	目的	示例	結果
collect()	返回RDD 中的所有元素	rdd.collect()	{1, 2, 3, 3}
count()	RDD 中的元素個數	rdd.count()	4
countByValue()	各元素在RDD 中出現的次數	rdd.countByValue()	{(1, 1), (2, 1), (3, 2)}
take(num)	從RDD 中返回num 個元素	rdd.take(2)	{1, 2}
top(num)	從RDD 中返回最前面的num 個元素	rdd.top(2)	{3, 3}
takeOrdered(num) (ordering)	從RDD 中按照提供的順序返回最前面的num 個元素	rdd.takeOrdered(2)(myOrdering)	{3, 3}
takeSample(withReplace ment, num, [seed])	從RDD 中返回任意一些元素	rdd.takeSample(false, 1)	非確定的
reduce(func)	並行整合RDD 中所有數據（例如sum）	rdd.reduce((x, y) => x + y)	9
fold(zero)(func)	和reduce() 一樣，但是需要提供初始值	rdd.fold(0)((x, y) => x + y)	9
aggregate(zeroValue) (seqOp, combOp)	和reduce() 相似，但是通常返回不同類型的函數	rdd.aggregate((0, 0)) ((x, y) => (x._1 + y, x._2 + 1), (x, y) => (x._1 + y._1, x._2 + y._2))	(9,4)
foreach(func)	對RDD 中的每個元素使用給定的函數	rdd.foreach(func)	無

不同 RDD 的類型轉換

Spark 中有些函數只能作用於特定類型的 RDD。例如 mean() 和 variance() 只能處理數值 RDD，join() 只能用於處理鍵值對 RDD。在 Scala 和 Java 中都沒有與之對應的標準 RDD 類，故使用這些函數時必須要確保獲得了正確的專用 RDD 類。（Scala 為隱式轉換）

下表為 Java 中針對專門類型的函數介面：

函數名	等價函數	用途
DoubleFlatMapFunction	Function<T, Iterable>	用於flatMapToDouble，以生成DoubleRDD
DoubleFunction	Function<T, Double>	用於mapToDouble，以生成 DoubleRDD
PairFlatMapFunction<T, K, V>	Function<T, Iterable<Tuple2<K, V>>>	用於flatMapToPair，以生成PairRDD<K, V>
PairFunction<T, K, V>	Function<T, Tuple2<K, V>>	用於mapToPair，以生成 PairRDD<K, V>

常式

以 DoubleFunction 為例：

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaDoubleRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.DoubleFunction;

import java.util.Arrays;

public class DoubleRDD {
    public static void main(String[] args) {
        SparkConf sparkConf=new SparkConf().setAppName("DoubleRDD");
        JavaSparkContext javaSparkContext=new JavaSparkContext(sparkConf);
        JavaRDD<Integer> rdd = javaSparkContext.parallelize(Arrays.asList(1, 2, 3, 4));
        JavaDoubleRDD result = rdd.mapToDouble(
                new DoubleFunction<Integer>() {
                    public double call(Integer x) {
                        return (double) x * x;
                    }
                });
        System.out.println(result.mean());
    }
}

運行結果

[root@server1 spark-2.4.4-bin-hadoop2.7]# bin/spark-submit --class DoubleRDD ~/Spark_RDD_DoubleRDD.jar
...
19/09/18 16:09:38 INFO DAGScheduler: Job 0 finished: mean at DoubleRDD.java:20, took 0.500705 s
7.5
...

持久化

為了避免多次計算同一個 RDD，我們常常對數據進行持久化處理。具體操作可以參見上一節常式。

Tips：

在Scala 和Java 中，預設情況下 persist() 會把數據以序列化的形式緩存在JVM 的堆空間中
在Python 中，我們會始終序列化要持久化存儲的數據，所以持久化級別預設值就是以序列化後的對象存儲在JVM 堆空間中
當我們把數據寫到磁碟或者堆外存儲上時，也總是使用序列化後的數據
緩存的數據太多，記憶體中放不下，Spark 會自動利用最近最少使用（LRU）的緩存策略把最老的分區從記憶體中移除
unpersist() 可以手動把持久化的RDD 從緩存中移除

持久化級別

級　　別	使用的空間	CPU 時間	是否在記憶體中	是否在磁碟上	備註
MEMORY_ONLY	高	低	是	否
MEMORY_ONLY_SER	低	高	是	否
MEMORY_AND_DISK	高	中等	部分	部分	如果數據在記憶體中放不下，則溢寫到磁碟上
MEMORY_AND_DISK_SER	低	高	部分	部分	如果數據在記憶體中放不下，則溢寫到磁碟上。在記憶體中存放序列化後的數據
DISK_ONLY	低	高	否	是

P.s.

可以通過在存儲級別的末尾加上“_2”來把持久化數據存為兩份

摘自天涯淚小武的博客 ↩
fold() 和 reduce() 不同的是，需要再加上一個“初始值”來作為每個分區第一次調用時的結果；aggregate() 和前兩者不同的是，返回值類型可以和 RDD 的類型不一致↩

Spark學習筆記3——RDD（下）

Spark學習筆記3——RDD（下）

向Spark傳遞函數

通過匿名內部類

通過具名類傳遞

通過帶參數的 Java 函數類傳遞

常式

測試文本 test.txt

測試結果

通過 lambda 表達式傳遞（僅限於 Java 8 及以上）

常式

測試文本

運行結果

常見的轉化操作和行動操作

基本RDD

針對各個元素的轉化操作

偽集合操作

行動操作

reduce() 與 reduceByKey()

aggregate()2

常用的行動操作整理

不同 RDD 的類型轉換

持久化

aggregate()²