一、collect
函数签名:def collect(): Array[T]
功能说明:收集每个分区数据,以数组Array的形式封装后发给driver。设置driver内存:bin/spark-submit --driver-memory 10G(内存大小)
注意:collect会把所有分区的数据全部拉取到driver端,如果数据量过大,可能内存溢出。
import org.apache.spark.{SparkConf, SparkContext}
object actons_demo {
def main(args: Array[String]): Unit = {
//创建sparkcontext
val conf = new SparkConf().setAppName("test").setMaster("local[*]")
val sc = new SparkContext(conf)
//创建数据
val rdd = sc.parallelize(List(2, 3, 0, 4, 1), 2)
println(rdd.collect.toList)
}
}
from pyspark import SparkConf,SparkContext
# 创建sparkcontext
conf = SparkConf().setAppName("test").setMaster("local[*]")
sc = SparkContext(conf=conf)
# 创建数据
datas = sc.parallelize([2, 3, 0, 4, 1],numSlices=2)
# 使用collect
print(datas.collect())
# 关闭sparkcontext
sc.stop()
二、count
返回RDD中元素的个数
import org.apache.spark.{SparkConf, SparkContext}
object actons_demo {
def main(args: Array[String]): Unit = {
//创建sparkcontext
val conf = new SparkConf().setAppName("test").setMaster("local[*]")
val sc = new SparkContext(conf)
//创建数据
val rdd = sc.parallelize(List(2, 3, 0, 4, 1), 2)
println(rdd.count)
}
}
from pyspark import SparkConf,SparkContext
# 创建sparkcontext
conf = SparkConf().setAppName("test").setMaster("local[*]")
sc = SparkContext(conf=conf)
# 创建数据
datas = sc.parallelize([2, 3, 0, 4, 1],numSlices=2)
# 使用count
print(datas.count())
# 关闭sparkcontext
sc.stop()
三、first
返回RDD中的第一个元素
first首先启动一个job从0号分区获取数据,如果0号分区没有数据,则启动第二个job从其他分区获取数据
import org.apache.spark.{HashPartitioner, SparkConf, SparkContext}
object actons_demo {
def main(args: Array[String]): Unit = {
//创建sparkcontext
val conf = new SparkConf().setAppName("test").setMaster("local[*]")
val sc = new SparkContext(conf)
//创建数据
val rdd = sc.parallelize(List(2, 3, 0, 4, 1), 2)
println(rdd.first())
//利用哈希分区器重新分区
val rdd2 = rdd.map(x=>(x,null)).partitionBy(new HashPartitioner(10))
println(rdd2.first())
}
}
from pyspark import SparkConf, SparkContext
# 创建sparkcontext
conf = SparkConf().setAppName("test").setMaster("local[*]")
sc = SparkContext(conf=conf)
# 创建数据
datas = sc.parallelize([2, 3, 0, 4, 1], numSlices=2)
# 使用first
print(datas.first())
# 重新分区
datas2 = datas.map(lambda x: (x, None)).partitionBy(10, lambda x: x % 10)
# 使用first
print(datas2.first())
# 关闭sparkcontext
sc.stop()
四、take
返回一个由RDD的前n个元素组成的数组
首先启动一个job从0号分区获取n个数据,如果0号分区没有n个数据,则启动第二个job从其他分区继续获取剩余数据
import org.apache.spark.{SparkConf, SparkContext}
object actons_demo {
def main(args: Array[String]): Unit = {
//创建sparkcontext
val conf = new SparkConf().setAppName("test").setMaster("local[*]")
val sc = new SparkContext(conf)
//创建数据
val rdd = sc.parallelize(List(2, 3, 0, 4, 1), 2)
println(rdd.take(2).toList)
}
}
from pyspark import SparkConf, SparkContext
# 创建sparkcontext
conf = SparkConf().setAppName("test").setMaster("local[*]")
sc = SparkContext(conf=conf)
# 创建数据
datas = sc.parallelize([2, 3, 0, 4, 1], numSlices=2)
# 使用take
print(datas.take(2))
# 关闭sparkcontext
sc.stop()
五、takeOrdered
返回RDD排序后的前n个元素组成的数组。全局有序排列后的结果
import org.apache.spark.{SparkConf, SparkContext}
object actons_demo {
def main(args: Array[String]): Unit = {
//创建sparkcontext
val conf = new SparkConf().setAppName("test").setMaster("local[*]")
val sc = new SparkContext(conf)
//创建数据
val rdd = sc.parallelize(List(7,2,3,4,9,0,-5,-2,8,6,5),4)
println(rdd.takeOrdered(4).toList)
}
}
from pyspark import SparkConf, SparkContext
# 创建sparkcontext
conf = SparkConf().setAppName("test").setMaster("local[*]")
sc = SparkContext(conf=conf)
# 创建数据
datas = sc.parallelize([7,2,3,4,9,0,-5,-2,8,6,5], numSlices=4)
# 使用takeOrdered
print(datas.takeOrdered(4))
# 关闭sparkcontext
sc.stop()
六、countByKey
函数签名:def countByKey(): Map[K, Long]
功能说明:统计每种key的个数
import org.apache.spark.{SparkConf, SparkContext}
object actons_demo {
def main(args: Array[String]): Unit = {
//创建sparkcontext
val conf = new SparkConf().setAppName("test").setMaster("local[*]")
val sc = new SparkContext(conf)
//创建数据a
val rdd = sc.parallelize(List("aa"->11,("aa",5),"bb"->4,"bb"->11,("bb",9),"cc"->1))
println(rdd.countByKey().toList)
}
}
from pyspark import SparkConf, SparkContext
# 创建sparkcontext
conf = SparkConf().setAppName("test").setMaster("local[*]")
sc = SparkContext(conf=conf)
# 创建数据
datas = sc.parallelize([("aa",11),("aa",5),("bb",4),("bb",11),("bb",9),("cc",1)])
# 使用countByKey
print(datas.countByKey())
# 关闭sparkcontext
sc.stop()
七、foreach
遍历RDD中每一个元素
import org.apache.spark.{SparkConf, SparkContext}
object actons_demo {
def main(args: Array[String]): Unit = {
//创建sparkcontext
val conf = new SparkConf().setAppName("test").setMaster("local[*]")
val sc = new SparkContext(conf)
//创建数据
val rdd = sc.parallelize(List("aa"->11,("aa",5),"bb"->4,"bb"->11,("bb",9),"cc"->1))
rdd.foreach(println)
}
}
from pyspark import SparkConf, SparkContext
# 创建sparkcontext
conf = SparkConf().setAppName("test").setMaster("local[*]")
sc = SparkContext(conf=conf)
# 创建数据
datas = sc.parallelize([("aa",11),("aa",5),("bb",4),("bb",11),("bb",9),("cc",1)])
# 使用foreach
datas.foreach(print)
# 关闭sparkcontext
sc.stop()
八、简单案例
java spark
hadoop spark java
python spark
C++ python
统计word.txt中每个单词的数量,并按照数量多少从高到低排序
import org.apache.spark.{SparkConf, SparkContext}
object WordCount {
def main(args: Array[String]): Unit = {
//创建sparkcontext对象
val conf = new SparkConf().setAppName("wordcount").setMaster("local[*]")
val sc = new SparkContext(conf)
//读取数据
val datas = sc.textFile("hdfs://hadoop101:8020/input/word.txt")
//处理
// 实现思路:按空格切分单词,并压平 -> 处理成键值对,键是单词,值是1 -> 按照键分组统计 -> 排序
val res1 = datas.flatMap(_.split(" ")).
map(x => (x, 1)).
reduceByKey(_ + _).
sortBy(_._1, ascending = false)
println(s"结果:${res1.collect.toList}")
}
}
from pyspark import SparkConf, SparkContext
# 创建sparkcontext
conf = SparkConf().setAppName("test").setMaster("local[*]")
sc = SparkContext(conf=conf)
# 读取数据
datas = sc.textFile("hdfs:///input/word.txt")
# 处理
# 实现思路:按空格切分单词,并压平 -> 处理成键值对,键是单词,值是1 -> 按照键分组统计 -> 排序
res = datas. \
flatMap(lambda x: x.split(" ")). \
map(lambda x: (x, 1)). \
reduceByKey(lambda x, y: x + y). \
sortBy(lambda x: x[1])
print(f"结果为:{res.collect()}")
# 关闭sparkcontext
sc.stop()
九、一个综合案例
00:00:02*****7139261067744087*****[党宁的博客]*****5*****4*****blog.sina.com.cn/u/1232113891*****党宁 的 博客
00:00:02*****8181820631750396*****[窗外]*****5*****2*****www.zhulang.com/4212/index.html*****窗外
00:00:02*****28556208222257873*****[2008年新兴行业]*****3*****15*****zhidao.baidu.com/question/48881311*****2008 年 新兴 行业
00:00:02*****3648075681022645*****[耐克凉鞋]*****4*****18*****auction1.taobao.com/auction/item_detail-0db2-a4938311dd2df6585692bee8e67ce6e6.jhtml*****耐克 凉鞋
00:00:02*****6317584696510536*****[哄抢救灾物资]*****1*****1*****news.21cn.com/social/daqian/2008/05/29/4777194_1.shtml*****哄抢 救灾物资
以上数据是2008年用户在搜狗搜索上的部分搜索情况。
数据数据格式:访问时间 用户ID 查询词 该URL在返回结果中的排名 用户点击的顺序号 用户点击的URL 查询词的分词结果。
数据利用五个*进行分割,最后一个*****的右边是对查询词分词后的结果。查询词分词结果用空格进行分割
需求如下:
- 搜索关键词的词频统计:按词频数量倒序排序
- 用户搜索点击统计:用户id+用户搜索内容的点击数,逆序排序
- 搜索时间段统计:统计不同时间范围内容搜索次数,按照小时统计
9.1 需求1的实现
要统计关键词的词频,需要先对用户输入的查询词进行分词处理,然后再按照分词后的结果进行词频统计。由于文本文件中的数据已经对查询词进行了分词,所以直接读取分词结果就可以。再对分词结果进行切分,统计词频,最后再倒序输出。
import org.apache.spark.{SparkConf, SparkContext}
object demo1 {
def main(args: Array[String]): Unit = {
//创建sparkcontext对象
val conf = new SparkConf().setAppName("demo1").setMaster("local[*]")
val sc = new SparkContext(conf)
//读取数据
val datas = sc.textFile("hdfs://hadoop101:8020/data/sougou/output.txt")
//处理
// 实现思路:
// 1.获取查询词的分词结果,并利用空格进行切分
// 2.对查询词分词后的结果进行分组统计
// 3.对词频倒序排序
val res1 = datas.map(x => x.split("\\*\\*\\*\\*\\*")).
flatMap(x=>x.last.split(" ")).
map(x => (x, 1)).
reduceByKey(_ + _).
sortBy(_._2, ascending = false)
println(res1.take(20).toList)
}
}
from pyspark import SparkConf, SparkContext
from pprint import pprint
# 创建sparkcontext
conf = SparkConf().setAppName("demo1").setMaster("local[*]")
sc = SparkContext(conf=conf)
# 读取数据
print("读取数据...")
datas = sc.textFile("hdfs:data/sougou/output.txt")
print("数据读取完毕!")
# 处理
# 数据格式:访问时间 用户ID 查询词 该URL在返回结果中的排名 用户点击的顺序号 用户点击的URL 查询词的分词结果。
# 样例数据:00:00:02*****28556208222257873*****[2008年新兴行业]*****3*****15*****zhidao.baidu.com/question/48881311*****2008 年 新兴 行业
# 需要对查询词进行分词
print("开始处理...")
# 实现思路:
# 1.获取查询词的分词结果,并利用空格进行切分
# 2.对查询词分词后的结果进行分组统计
# 3.对词频倒序排序
datas_query = datas.map(lambda x:x.split("*****")[-1]).\
flatMap(lambda x:x.split(" ")).map(lambda x:(x,1)).\
reduceByKey(lambda x,y:x+y).\
sortBy(lambda x:x[1],ascending=False)
print("处理完毕!")
pprint(f"前20个结果为:{datas_query.take(20)}")
# 关闭sparkcontext
sc.stop()
9.2 需求2的实现
首先拼接用户id和用户搜索内容,再对统计数量,最后再倒序输出。
import org.apache.spark.{SparkConf, SparkContext}
object Demo1 {
def main(args: Array[String]): Unit = {
//创建sparkcontext对象
val conf = new SparkConf().setAppName("demo1").setMaster("local[*]")
val sc = new SparkContext(conf)
//读取数据
val datas = sc.textFile("hdfs://hadoop101:8020/data/sougou/output.txt")
// 实现思路:
// 1.获取数据,并利用分隔符*****进行切分
// 2.合并用户ID和查询词,同时增加一个计数1
// 3.按照键进行分组统计
// 4.对词频倒序排序
//scala中的*号是特殊符号,需要转义
val datas_query = datas.map(x => x.split("\\*\\*\\*\\*\\*")).
map(x=>(x(1)+x(2),1)).
reduceByKey(_+_).sortBy(_._2,ascending = false)
println(datas_query.take(20).toList)
sc.stop()
}
}
from pyspark import SparkConf, SparkContext
from pprint import pprint
# 创建sparkcontext
conf = SparkConf().setAppName("demo1").setMaster("local[*]")
sc = SparkContext(conf=conf)
# 读取数据
print("读取数据...")
datas = sc.textFile("hdfs:data/sougou/output.txt")
print("数据读取完毕!")
# 处理
# 数据格式:访问时间 用户ID 查询词 该URL在返回结果中的排名 用户点击的顺序号 用户点击的URL 查询词的分词结果。
# 样例数据:00:00:02*****28556208222257873*****[2008年新兴行业]*****3*****15*****zhidao.baidu.com/question/48881311*****2008 年 新兴 行业
# 需要对查询词进行分词
print("开始处理...")
# 实现思路:
# 1.获取数据,并利用分隔符*****进行切分
# 2.合并用户ID和查询词,同时增加一个计数1
# 3.按照键进行分组统计
# 4.对词频倒序排序
datas_query = datas.\
map(lambda x:x.split("*****")).\
map(lambda x:(x[1]+x[2],1)).\
reduceByKey(lambda x,y:x+y).\
sortBy(lambda x:x[1],ascending=False)
print("处理完毕!")
pprint(f"前20个结果为:{datas_query.take(20)}")
# 关闭sparkcontext
sc.stop()
9.3 需求3的实现
统计不同时间范围内容搜索次数,按照小时统计
选取时间列,构造以小时为键,1为值的键值对,再对结果进行聚合统计,最后再倒序输出。
import org.apache.spark.{SparkConf, SparkContext}
object Demo1 {
def main(args: Array[String]): Unit = {
//创建sparkcontext对象
val conf = new SparkConf().setAppName("demo1").setMaster("local[*]")
val sc = new SparkContext(conf)
//读取数据
val datas = sc.textFile("hdfs://hadoop101:8020/data/sougou/output.txt")
// 实现思路:
// 1.获取数据,并利用分隔符*****进行切分
// 2.对时间进行分割,以小时为键,1为值,构建键值对
// 3.按照键进行分组统计
// 4.对词频倒序排序
//scala中的*号是特殊符号,需要转义
val datas_query = datas.map(x => x.split("\\*\\*\\*\\*\\*")).
map(x=>(x(0).split(":")(0),1)).
reduceByKey(_+_).
sortBy(_._2,ascending = false)
println(datas_query.take(20).toList)
sc.stop()
}
}
文章来源:https://www.toymoban.com/news/detail-767107.html
from pyspark import SparkConf, SparkContext
from pprint import pprint
# 创建sparkcontext
conf = SparkConf().setAppName("demo1").setMaster("local[*]")
sc = SparkContext(conf=conf)
# 读取数据
print("读取数据...")
datas = sc.textFile("hdfs:data/sougou/output.txt")
print("数据读取完毕!")
# 处理
# 数据格式:访问时间 用户ID 查询词 该URL在返回结果中的排名 用户点击的顺序号 用户点击的URL 查询词的分词结果。
# 样例数据:00:00:02*****28556208222257873*****[2008年新兴行业]*****3*****15*****zhidao.baidu.com/question/48881311*****2008 年 新兴 行业
# 需要对查询词进行分词
print("开始处理...")
# 实现思路:
# 1.获取数据,并利用分隔符*****进行切分
# 2.对时间进行分割,以小时为键,1为值,构建键值对
# 3.按照键进行分组统计
# 4.对词频倒序排序
datas_query = datas.\
map(lambda x:x.split("*****")).\
map(lambda x:(x[0].split(":")[0],1)).\
reduceByKey(lambda x,y:x+y).\
sortBy(lambda x:x[1],ascending=False)
print("处理完毕!")
pprint(f"前20个结果为:{datas_query.take(20)}")
# 关闭sparkcontext
sc.stop()
文章来源地址https://www.toymoban.com/news/detail-767107.html
到了这里,关于spark之action算子学习笔记(scala,pyspark双语言)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!