spark算子集锦

Spark 是大数据领域的一大利器，花时间总结了一下 Spark 常用算子，正所谓温故而知新。

Spark 算子按照功能分，可以分成两大类：transform 和 action。Transform 不进行实际计算，是惰性的，action 操作才进行实际的计算。如何区分两者？看函数返回，如果输入到输出都是RDD类型，则认为是transform操作，反之为action操作。

准备

准备阶段包括spark-shell 界面调出以及数据准备。spark-shell 启动命令如下：

bin/spark-shell --master local[*]

其中local[*]是可以更改的，这里启用的是本地模式，出现下面这个界面，恭喜，可以开撸了！

有一点需要说明，sc 和 spark 可以直接在命令行调用，其提示信息如下：

Spark context available as ‘sc’ (master = local[*], app id = local-1547409645312).

Spark session available as ‘spark’.

数据准备

val content =Array("11,Alex,Columbus,7","12,Ryan,New York,8","13,Johny,New York,9","14,Cook,Glasgow,6","15,Starc,Aus,7","16,eric,New York,4","17,richard,Columbus,3")

数据加载和处理

val test_tmp_RDD =sc.parallelize(content).map(line =>line.split(","))

val format_RDD = test_tmp_RDD.map{arr=>
      val line = (arr(0).toString,arr(1).toString,arr(2).toString,arr(3).toString)
      line match{
        case (eid,name,destination,salary) =>(eid,name,destination, salary)
      }
    }

处理后的结果输出如下：

Spark 类型转换

通过命令行输入 format_RDD. 加 tab键，可以显示当前可用的操作，图示如下：

其中 toDF方法能将 RDD 转换成 DataFrame，RDD 转换成 DataFrame 需要隐式转换，需要引入的包如下：

import spark.implicits._

当用 toDF 方法输出后显示如下：

我们尝试带着问题去寻找合适的spark算子，以期达到预想效果。

问一：如何将列名（_1,_2,_3,_4）改成对应的精确的描述信息？

命令行输入 format_RDD.toDF. 加 tab键，显示当前可操作算子如下：

注意 RDD 算子和 DataFrame 算子的不同，我们找到withColumnRenamed方法，尝试操作如下：

该算子能达到我们预期的效果，另一种方式，toDF函数后面可以直接接列名字符，其定义如下：

def toDF(colNames: String*): DataFrame = ds.toDF(colNames : _*)

更一般的，我们在数据处理阶段，直接将RDD 转换成 DataFrame，需要引入的包如下：

import org.apache.spark.sql.{DataFrame, SparkSession,Row}
import org.apache.spark.sql.types._

需要预先定义一个 StructType，其实现如下：

val schema = StructType(
      Array(
        StructField("eid",StringType,true)
        ,StructField("name",StringType,true)
        ,StructField("destination",StringType,true)
        ,StructField("salary",StringType,true)
      )
    )

将 format_RDD的每一行包装成 Row类型，其实现如下：

val format_df_row = format_RDD.map{arr=>
      arr match{
        case (eid,name,destination,salary) =>Row(eid,name,destination, salary)
      }
    }

通过 SparkSession 创建 DataFrame，其实现方式如下：

val df = spark.createDataFrame(format_df_row,schema)

DataFrame 算子

我们可以把 DataFrame 当成数据库中的一张表，对其进行分析和操作。

• drop 操作，删除特定列。
  
• printSchema 操作，打印概要
  
• 对 DataFrame 中的列进行统计分析，包括：count，mean，std，min，max
  
• 将表存成字符串JSON，其操作如下：
  
• 计算每个地方(destination) 上的最高薪水(salary)
  

今天的内容就到这里，后续或有更新…