【大數(shù)據(jù)基礎(chǔ)知識(shí)】Spark算子介紹及map算子的使用

進(jìn)入到大數(shù)據(jù)圈的朋友們都對(duì)Spark的強(qiáng)大功能有所了解，那么提到Spark，我們就想到了其中的算子，Spark的強(qiáng)大功能如何實(shí)現(xiàn)，自然離不開(kāi)其中的算子了。怎么理解這些算子呢，我們可以簡(jiǎn)單把它理解為方法或函數(shù)，Spark已經(jīng)定義好了很多功能強(qiáng)大的方法或函數(shù)，在這里稱為算子。

Spark中的算子分為兩類：一是轉(zhuǎn)換類算子(Transformation)，二是行動(dòng)類算子(Action)。轉(zhuǎn)換類算子執(zhí)行后得到新的RDD，并且不會(huì)立即執(zhí)行，需要有行動(dòng)類算子觸發(fā)才能執(zhí)行。行動(dòng)類算子是立即執(zhí)行的，并且執(zhí)行后得到的不再是RDD。

這次，我們用命令行的方式先來(lái)看看這些算子如何使用。

首先，我們進(jìn)入spark-shell命令行方式：

[root@node2 ~]# spark-shell --master spark://node1:7077

執(zhí)行上面命令后，就進(jìn)入了命令行方式：

此時(shí)，我們就可以測(cè)試使用Spark中的算子了。

有一點(diǎn)我們要注意的 ，這些算子都是作用在RDD上，所以我們首先要得到RDD。

map算子

map算子實(shí)現(xiàn)的是一一映射。

對(duì)某一個(gè)rdd執(zhí)行map，rdd中每一條數(shù)據(jù)都會(huì)執(zhí)行操作。也就是說(shuō)rdd中有幾條數(shù)據(jù)，就會(huì)被迭代幾次。

執(zhí)行map算子后返回值的數(shù)據(jù)類型，取決于給map傳遞的函數(shù)的返回值類型。

scala> val rdd=sc.makeRDD(List(1,2,3,4,5,6,7),3)

rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[3] at makeRDD at :24

首先，我們通過(guò)makeRDD，將一個(gè)list轉(zhuǎn)換成RDD，并且指定分區(qū)數(shù)為3。

scala> val rdd1=rdd.map(_>5)

rdd1: org.apache.spark.rdd.RDD[Boolean] = MapPartitionsRDD[4] at map at :26

執(zhí)行map算子，傳遞的函數(shù)是判斷元素是否大于5，結(jié)果得到一個(gè)新的的RDD，并且元素類型是Boolean類型。由此我們也可以看到，結(jié)果RDD的元素類型就是由傳入map算子的函數(shù)決定的。

此時(shí)，實(shí)際上還沒(méi)有真正執(zhí)行，我們需要使用一個(gè)Action算子觸發(fā)執(zhí)行。

scala> rdd1.collect

[Stage 0:===================> res0: Array[Boolean] = Array(false, false, false, false, false, true, true)

我們使用collect算子觸發(fā)執(zhí)行，得到結(jié)果。Collect算子是Action類算子，是將結(jié)果回收到客戶端。在生產(chǎn)環(huán)境中，要慎用此算子。我們測(cè)試中因?yàn)閿?shù)據(jù)量非常小，用此算子是沒(méi)有問(wèn)題的。