spark系列7：RDD对不同数据类型的支持与演示

约定不等于承诺〃 2022-11-10 10:39 223阅读 0赞

### 1.RDD 对不同类型数据的支持 ###

目标

1.  理解 RDD 对 Key-Value 类型的数据是有专门支持的
2.  理解 RDD 对数字类型也有专门的支持

一般情况下 RDD 要处理的数据有三类

*  字符串
 *  键值对
 *  数字型

RDD 的算子设计对这三类不同的数据分别都有支持

*  对于以字符串为代表的基本数据类型是比较基础的一些的操作, 诸如 map, flatMap, filter 等基础的算子
 *  对于键值对类型的数据, 有额外的支持, 诸如 reduceByKey, groupByKey 等 byKey 的算子
 *  同样对于数字型的数据也有额外的支持, 诸如 max, min 等

RDD 对键值对数据的额外支持

键值型数据本质上就是一个二元元组, 键值对类型的 RDD 表示为 `RDD[(K, V)]`

RDD 对键值对的额外支持是通过隐式支持来完成的, 一个 `RDD[(K, V)]`, 可以被隐式转换为一个 `PairRDDFunctions` 对象, 从而调用其中的方法.

![3b365c28403495cb8d07a2ee5d0a6376][]

既然对键值对的支持是通过 `PairRDDFunctions` 提供的, 那么从 `PairRDDFunctions` 中就可以看到这些支持有什么

<table> 
 <thead> 
 <tr> 
 <th>类别</th> 
 <th>算子</th> 
 </tr> 
 </thead> 
 <tbody> 
 <tr> 
 <td> 聚合操作 </td> 
 <td> <code>reduceByKey</code> </td> 
 </tr> 
 <tr> 
 <td> <code>foldByKey</code> </td> 
 </tr> 
 <tr> 
 <td> <code>combineByKey</code> </td> 
 </tr> 
 <tr> 
 <td> 分组操作 </td> 
 <td> <code>cogroup</code> </td> 
 </tr> 
 <tr> 
 <td> <code>groupByKey</code> </td> 
 </tr> 
 <tr> 
 <td> 连接操作 </td> 
 <td> <code>join</code> </td> 
 </tr> 
 <tr> 
 <td> <code>leftOuterJoin</code> </td> 
 </tr> 
 <tr> 
 <td> <code>rightOuterJoin</code> </td> 
 </tr> 
 <tr> 
 <td> 排序操作 </td> 
 <td> <code>sortBy</code> </td> 
 </tr> 
 <tr> 
 <td> <code>sortByKey</code> </td> 
 </tr> 
 <tr> 
 <td> Action </td> 
 <td> <code>countByKey</code> </td> 
 </tr> 
 <tr> 
 <td> <code>take</code> </td> 
 </tr> 
 <tr> 
 <td> <code>collect</code> </td> 
 </tr> 
 </tbody> 
</table>

RDD 对数字型数据的额外支持

对于数字型数据的额外支持基本上都是 Action 操作, 而不是转换操作

<table> 
 <thead> 
 <tr> 
 <th>算子</th> 
 <th>含义</th> 
 </tr> 
 </thead> 
 <tbody> 
 <tr> 
 <td> <code>count</code> </td> 
 <td> 个数 </td> 
 </tr> 
 <tr> 
 <td> <code>mean</code> </td> 
 <td> 均值 </td> 
 </tr> 
 <tr> 
 <td> <code>sum</code> </td> 
 <td> 求和 </td> 
 </tr> 
 <tr> 
 <td> <code>max</code> </td> 
 <td> 最大值 </td> 
 </tr> 
 <tr> 
 <td> <code>min</code> </td> 
 <td> 最小值 </td> 
 </tr> 
 <tr> 
 <td> <code>variance</code> </td> 
 <td> 方差 </td> 
 </tr> 
 <tr> 
 <td> <code>sampleVariance</code> </td> 
 <td> 从采样中计算方差 </td> 
 </tr> 
 <tr> 
 <td> <code>stdev</code> </td> 
 <td> 标准差 </td> 
 </tr> 
 <tr> 
 <td> <code>sampleStdev</code> </td> 
 <td> 采样的标准差 </td> 
 </tr> 
 </tbody> 
</table>

val rdd = sc.parallelize(Seq(1, 2, 3))
    // 结果: 3
    println(rdd.max())

### 2. 总结 ###

1.  通过本节,能够理解 RDD 的一般使用步骤

// 1. 创建 SparkContext
    val conf = new SparkConf().setMaster("local[6]").setAppName("stage_practice1")
    val sc = new SparkContext(conf)
    
    // 2. 创建 RDD
    val rdd1 = sc.textFile("dataset/BeijingPM20100101_20151231_noheader.csv")
    
    // 3. 处理 RDD
    val rdd2 = rdd1.map { item =>
      val fields = item.split(",")
      ((fields(1), fields(2)), fields(6))
    }
    val rdd3 = rdd2.filter { item => !item._2.equalsIgnoreCase("NA") }
    val rdd4 = rdd3.map { item => (item._1, item._2.toInt) }
    val rdd5 = rdd4.reduceByKey { (curr, agg) => curr + agg }
    val rdd6 = rdd5.sortByKey(ascending = false)
    
    // 4. 行动, 得到结果
    println(rdd6.first())

通过上述代码可以看到, 其实 RDD 的整体使用步骤如下

![20190518105630][]

[3b365c28403495cb8d07a2ee5d0a6376]: /images/20221023/1adbcdcdb3dc42e1bd2f0b5286b84faf.png
[20190518105630]: /images/20221023/2f888fe154cf4e0abb91a90196c9ff69.png