Spark算子：RDD基本轉換操作(1)–map、flatMap、distinct

關鍵字：Spark算子、Spark RDD基本轉換、map、flatMap、distinct

• map

將一個RDD中的每個數據項，通過map中的函數映射變為一個新的元素。

輸入分區與輸出分區一對一，即：有多少個輸入分區，就有多少個輸出分區。

1. hadoop fs -cat /tmp/lxw1234/1.txt
2. hello world
3. hello spark
4. hello hive
7. //讀取HDFS文件到RDD
8. scala> var data = sc.textFile("/tmp/lxw1234/1.txt")
9. data: org.apache.spark.rdd.RDD[String] = MapPartitionsRDD[1] at textFile at :21
11. //使用map算子
12. scala> var mapresult = data.map(line => line.split("\\s+"))
13. mapresult: org.apache.spark.rdd.RDD[Array[String]] = MapPartitionsRDD[2] at map at :23
15. //運算map算子結果
16. scala> mapresult.collect
17. res0: Array[Array[String]] = Array(Array(hello, world), Array(hello, spark), Array(hello, hive))

• flatMap

屬於Transformation算子，第一步和map一樣，最後將所有的輸出分區合並成一個。

1. /使用flatMap算子
2. scala> var flatmapresult = data.flatMap(line => line.split("\\s+"))
3. flatmapresult: org.apache.spark.rdd.RDD[String] = MapPartitionsRDD[3] at flatMap at :23
5. //運算flagMap算子結果
6. scala> flatmapresult.collect
7. res1: Array[String] = Array(hello, world, hello, spark, hello, hive)

使用flatMap時候需要註意：
flatMap會將字符串看成是一個字符數組。
看下面的例子：

1. scala> data.map(_.toUpperCase).collect
2. res32: Array[String] = Array(HELLO WORLD, HELLO SPARK, HELLO HIVE, HI SPARK)
3. scala> data.flatMap(_.toUpperCase).collect
4. res33: Array[Char] = Array(H, E, L, L, O, , W, O, R, L, D, H, E, L, L, O, , S, P, A, R, K, H, E, L, L, O, , H, I, V, E, H, I, , S, P, A, R, K)

再看：

1. scala> data.map(x => x.split("\\s+")).collect
2. res34: Array[Array[String]] = Array(Array(hello, world), Array(hello, spark), Array(hello, hive), Array(hi, spark))
4. scala> data.flatMap(x => x.split("\\s+")).collect
5. res35: Array[String] = Array(hello, world, hello, spark, hello, hive, hi, spark)

這次的結果好像是預期的，最終結果裏面並沒有把字符串當成字符數組。
這是因為這次map函數中返回的類型為Array[String]，並不是String。
flatMap只會將String扁平化成字符數組，並不會把Array[String]也扁平化成字符數組。

參考：
http://alvinalexander.com/scala/collection-scala-flatmap-examples-map-flatten

• distinct

對RDD中的元素進行去重操作。

1. scala> data.flatMap(line => line.split("\\s+")).collect
2. res61: Array[String] = Array(hello, world, hello, spark, hello, hive, hi, spark)
4. scala> data.flatMap(line => line.split("\\s+")).distinct.collect
5. res62: Array[String] = Array(hive, hello, world, spark, hi)

Spark算子：RDD基本轉換操作(1)–map、flatMap、distinct