【大数据基础知识】Spark常用算子（二）

1. mapValues

mapValues算子 ，作用于 [K,V] 格式的RDD上，并且只对V(Value)进行操作，Key值保持不变。

(1)将[K,V] 格式的List转换为[K,V] 格式的RDD。

scala> val rdd = sc.makeRDD(List(("Tom",100),("Mike",80)))

rdd: org.apache.spark.rdd.RDD[(String, Int)] = ParallelCollectionRDD[2] at makeRDD at :24

(2)使用mapValues算子，将value值乘以100，key值保持不变

scala> val rdd2=rdd.mapValues(_*100)

rdd2: org.apache.spark.rdd.RDD[(String, Int)] = MapPartitionsRDD[1] at mapValues at :26

(3)使用collect算子回收，查看结果

scala> rdd2.collect

res0: Array[(String, Int)] = Array((Tom,10000), (Mike,8000))

2. mapPartitions

作用于RDD上的每一个分区，传递的函数相当于一个迭代器，有几个分区，就会迭代几次。

object Test1 {

def main(args: Array[String]): Unit = {

val conf=new SparkConf()

.setMaster("local[*]")

.setAppName(this.getClass.getSimpleName)

val sc=new SparkContext(conf)

val rdd=sc.makeRDD(List(1,2,3,4,5,6),3);

val values: RDD[Int] = rdd.mapPartitions(t => {

t.map(_ * 10)

})

//打印输出结果

values.foreach(println)

}

}

使用上面的代码进行测试。输出结果如下：

可以看到，因为设置了3个分区，所以相应启动了3个任务，在每个分区上进行迭代计算。

3. filter

filter算子过滤出所有的满足条件的元素。

另外fliter算子不会改变分区的数量，所以经过过滤后，即使某些分区没有数据了，但是分区依然存在的。

scala> val rdd1 = sc.makeRDD(List(1,2,3,4,5,6),3)

rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[2] at makeRDD at :24

scala> val rdd2 = rdd1.filter(_>3)

rdd2: org.apache.spark.rdd.RDD[Int] = MapPartitionsRDD[3] at filter at :26

scala> rdd2.partitions.size

res3: Int = 3

4. sortBy

sortBy算子按照指定条件进行排序。

我们使用下面的代码进行测试：

object Test2 {

def main(args: Array[String]): Unit = {

val conf=new SparkConf()

.setMaster("local[*]")

.setAppName(this.getClass.getSimpleName)

val sc=new SparkContext(conf)

val rdd: RDD[(String, Int)] = sc.makeRDD(List(("Tom", 80), ("Mike", 90), ("Mary", 85),("John",60)))

//按value值升序排列

val res1: RDD[(String, Int)] = rdd.sortBy(_._2)

res1.collect.foreach(println)

// 按value值降序排列

val res2: RDD[(String, Int)] = rdd.sortBy(_._2, false)

res2.collect.foreach(println)

}

}

升序输出的结果如下：

降序输出的结果如下：

有一点需要说明的是，输出结果前，要使用collect算子把结果回收到本地。因为数据是分散在集群各节点的，如果不回收，看到的结果可能是不正确的。