【大數據基礎知識】Spark算子介紹及map算子的使用

進入到大數據圈的朋友們都對Spark的強大功能有所了解，那么提到Spark，我們就想到了其中的算子，Spark的強大功能如何實現，自然離不開其中的算子了。怎么理解這些算子呢，我們可以簡單把它理解為方法或函數，Spark已經定義好了很多功能強大的方法或函數，在這里稱為算子。

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

這次，我們用命令行的方式先來看看這些算子如何使用。

首先，我們進入spark-shell命令行方式：

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

執行上面命令后，就進入了命令行方式：

此時，我們就可以測試使用Spark中的算子了。

有一點我們要注意的 ，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算子實現的是一一映射。

對某一個rdd執行map，rdd中每一條數據都會執行操作。也就是說rdd中有幾條數據，就會被迭代幾次。

執行map算子后返回值的數據類型，取決于給map傳遞的函數的返回值類型。

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makeRDD，將一個list轉換成RDD，并且指定分區數為3。

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

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

執行map算子，傳遞的函數是判斷元素是否大于5，結果得到一個新的的RDD，并且元素類型是Boolean類型。由此我們也可以看到，結果RDD的元素類型就是由傳入map算子的函數決定的。

此時，實際上還沒有真正執行，我們需要使用一個Action算子觸發執行。

scala> rdd1.collect

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

我們使用collect算子觸發執行，得到結果。Collect算子是Action類算子，是將結果回收到客戶端。在生產環境中，要慎用此算子。我們測試中因為數據量非常小，用此算子是沒有問題的。