目录

• 一、 RDD创建
  • 从本地文件系统中加载数据创建RDD
  • 从HDFS加载数据创建RDD
  • 通过并行集合（列表）创建RDD
• 二、 RDD操作
  • 转换操作
    • filter(func)
    • map(func)
    • flatMap(func)
    • reduceByKey()
    • groupByKey()
    • sortByKey()
    • sortBy()
  • 行动操作
    • foreach(func)
    • collect()
    • count()
    • take(n)
    • reduce()

一、 RDD创建

从本地文件系统中加载数据创建RDD

• sc：SparkContext（shell自动创建）

  

• 本地文件系统中加载数据创建RDD

  Spark采用textFile()方法来从文件系统中加载数据创建RDD

  该方法把文件的URI作为参数，这个URI可以是：

  • 本地文件系统的地址

  • 或者是分布式文件系统HDFS的地址

  • 或者是Amazon S3的地址等等

  

从HDFS加载数据创建RDD

1. 启动hdfs

   

2. 上传文件

   

3. 查看文件

   

   

4. spark内加载文件

   textFile默认是读hdfs，所以hdfs可以省略。

   hdfs的默认目录，前三条语句是完全等价的，可以使用其中任意一种方式

   

   不是默认目录，要还上路径

   

   

5. 停止hdfs

   

通过并行集合（列表）创建RDD

• 输入列表、字符串、numpy生成数组

  

二、 RDD操作

转换操作

• 对于RDD而言，每一次转换操作都会产生新的RDD，供给下一个“转换”使用

• 转换得到的RDD是惰性求值的，也就是说，整个转换过程只是记录了转换的轨迹，并不会发生真正的计算，只有遇到行动操作时，才会发生真正的计算，开始从血缘关系源头开始，进行物理的转换操作

filter(func)

• 显式定义函数

  

  结果不明显，换个关键词

  

• lambda函数

  

map(func)

1. 字符串分词

   • 显式定义函数

     

   • lambda函数

     

2. 数字加100

   • 显式定义函数

     

   • lambda函数

     

3. 字符串加固定前缀

   • 显式定义函数

     

   • lambda函数

     

flatMap(func)

1. 分词

   

2. 单词映射成键值对

   

reduceByKey()

1. 统计词频，累加

   

2. 乘法规则

   

groupByKey()

1. 单词分组

   

2. 查看分组的内容

   

3. 分组之后做累加 map

   

sortByKey()

1. 词频统计按单词排序

   

sortBy()

1. 词频统计按词频排序

   

行动操作

行动操作是真正触发计算的地方。Spark程序执行到行动操作时，才会执行真正的计算，从文件中加载数据，完成一次又一次转换操作，最终，完成行动操作得到结果。

foreach(func)

• foreach(print)

  

• foreach(lambda a:print(a.upper())

  

collect()

count()

take(n)

reduce()

• 数值型的rdd元素做累加

  

• 与reduceByKey区别

  reduceByKey(func)应用于(K,V)键值对的数据集时，返回一个新的(K, V)形式的数据集，其中的每个值是将每个key传递到函数func中进行聚合后得到的结果

原文地址：https://www.cnblogs.com/DingyLand/archive/2022/03/30/homework_04_.html