Spark入门系列（二）| 1小时学会RDD编程

作者 | 梁云1991

转载自Python与算法之美（ID:Python_Ai_Road）

导读：本文为 Spark入门系列的第二篇文章，主要介绍 RDD 编程，实操性较强，感兴趣的同学可以动手实现一下。 RDD 是弹性分布式数据集(Resilient Distributed Dataset)，是 Spark 对数据的核心抽象。RDD 其实是分布式的元素集合，当 Spark 对数据操作和转换时，会自动将RDD中的数据分发到集群，并将操作并行化执行。每个 RDD 都被分为多个分区，这些分区运行在集群中的不同节点。

一、编程环境

以下为Mac系统上单机版Spark练习编程环境的配置方法。

注意：仅配置练习环境无需安装Hadoop，无需安装Scala。

1，安装Java8

注意避免安装其它版本的jdk，否则会有不兼容问题。

https://www.oracle.com/technetwork/java/javase/downloads/jdk8-downloads-2133151.html 2，下载spark并解压

http://spark.apache.org/downloads.html 解压到以下路径：

Users/yourname/ProgramFiles/spark-2.4.3-bin-hadoop2.7 3，配置spark环境

vim ~/.bashrc

插入下面两条语句

export SPARK_HOME=/Users/yourname/ProgramFiles/spark-2.4.3-bin-hadoop2.7
export PATH=$PATH:$SPARK_HOME/bin

4，配置jupyter支持

若未有安装jupyter可以下载Anaconda安装之。使用toree可以安装jupyter环境下的Apache Toree-Scala内核，以便在jupyter环境下运行Spark。

pip install toree
jupyter toree install --spark_home=Users/yourname/ProgramFiles/spark-2.4.3-bin-hadoop2.7

二、运行Spark

Spark可以通过以下一些方式运行。

1，通过spark-shell进入Spark交互式环境，使用Scala语言。 2，通过spark-submit提交Spark应用程序进行批处理。 这种方式可以提交Scala或Java语言编写的代码编译后生成的jar包，也可以直接提交Python脚本。 3，通过pyspark进入pyspark交互式环境，使用Python语言。 这种方式可以指定jupyter或者ipython为交互环境。 4，通过zepplin notebook交互式执行。 zepplin是jupyter notebook的apache对应产品。 5，安装Apache Toree-Scala内核。 可以在jupyter 中运行spark-shell。

使用spark-shell运行时，还可以添加两个常用的两个参数。

一个是master指定使用何种分布类型。

第二个是jars指定依赖的jar包。

三、创建RDD

创建RDD的基本方式有两种，第一种是使用textFile加载本地或者集群文件系统中的数据。第二种是使用parallelize方法将Driver中的数据结构并行化成RDD。

1，textFile

2，parallelize（或makeRDD）

四、常用Action操作

Action操作将触发基于RDD依赖关系的计算。

1，collect

2，take

3，takeSample

4，first

5，count

6，reduce

7，foreach

8，coutByKey

9，saveAsFile

五、常用Transformation操作

Transformation转换操作具有懒惰执行的特性，它只指定新的RDD和其父RDD的依赖关系，只有当Action操作触发到该依赖的时候，它才被计算。

1，map

2，filter

3，flatMap

4，sample

5，distinct

6，subtract

7，union

8，intersection

9，cartesian

10，sortBy

11，pipe

六、常用PairRDD转换操作

PairRDD指的是数据为Tuple2数据类型的RDD，其每个数据的第一个元素被当做key，第二个元素被当做value。

1，reduceByKey

2，groupByKey

3，sortByKey

4，join

5，leftOuterJoin

6，rightOuterJoin

7，cogroup

8，subtractByKey

9，foldByKey

七、持久化操作

如果一个RDD被多个任务用作中间量，那么对其进行cache，缓存到内存中会对加快计算非常有帮助。 声明对一个RDD进行cache后，该RDD不会被立即缓存，而是等到它第一次因为某个Action操作触发后被计算出来时才进行缓存。 可以使用persist明确指定存储级别，常用的存储级别是MEMORY_ONLY和MEMORY_AND_DISK。

1，cache

2，persist

八、共享变量

当Spark集群在许多节点上运行一个函数时，默认情况下会把这个函数涉及到的对象在每个节点生成一个副本。但是，有时候需要在不同节点或者节点和Driver之间共享变量。

Spark提供两种类型的共享变量，广播变量和累加器。

广播变量是不可变变量，实现在不同节点不同任务之间共享数据。广播变量在每个节点上缓存一个只读的变量，而不是为每个task生成一个副本，可以减少数据的传输。

累加器主要用于不同节点和Driver之间共享变量，只能实现计数或者累加功能。累加器的值只有在Driver上是可读的，在节点上只能执行add操作。

1，broadcast

2，Accumulator

九、分区操作

分区操作包括改变分区方式，以及和分区相关的一些转换操作。

1，coalesce

2，repartition

3，partitionBy

4，mapPartitions

5，mapPartitionsWithIndex

6，foreachPartitions

7，aggregate

8，aggregateByKey