Spark的算子的分類

從大方向來說，Spark 算子大致可以分為以下兩類:

1）Transformation 變換/轉(zhuǎn)換算子：這種變換并不觸發(fā)提交作業(yè)，完成作業(yè)中間過程處理。

Transformation 操作是延遲計算的，也就是說從一個RDD 轉(zhuǎn)換生成另一個 RDD 的轉(zhuǎn)換操作不是馬上執(zhí)行，需要等到有 Action 操作的時候才會真正觸發(fā)運算。

2）Action 行動算子：這類算子會觸發(fā) SparkContext 提交 Job 作業(yè)。

Action 算子會觸發(fā) Spark 提交作業(yè)（Job），并將數(shù)據(jù)輸出 Spark系統(tǒng)。

從小方向來說，Spark 算子大致可以分為以下三類:

1）Value數(shù)據(jù)類型的Transformation算子，這種變換并不觸發(fā)提交作業(yè)，針對處理的數(shù)據(jù)項是Value型的數(shù)據(jù)。

2）Key-Value數(shù)據(jù)類型的Transfromation算子，這種變換并不觸發(fā)提交作業(yè)，針對處理的數(shù)據(jù)項是Key-Value型的數(shù)據(jù)對。

3）Action算子，這類算子會觸發(fā)SparkContext提交Job作業(yè)。

引言

通常寫spark的程序用scala比較方便，畢竟spark的源碼就是用scala寫的。然而，目前java開發(fā)者特別多，尤其進行數(shù)據(jù)對接、上線服務的時候，這時候，就需要掌握一些spark在java中的使用方法了

一、map

map在進行數(shù)據(jù)處理、轉(zhuǎn)換的時候，不能更常用了

在使用map之前 首先要定義一個轉(zhuǎn)換的函數(shù) 格式如下：

Function<String, LabeledPoint> transForm = new Function<String, LabeledPoint>() {//String是某一行的輸入類型 LabeledPoint是轉(zhuǎn)換后的輸出類型
 @Override
 public LabeledPoint call(String row) throws Exception {//重寫call方法
 String[] rowArr = row.split(",");
 int rowSize = rowArr.length;
 
 double[] doubleArr = new double[rowSize-1];
 
 //除了第一位的lable外 其余的部分解析成double 然后放到數(shù)組中
 for (int i = 1; i < rowSize; i++) {
  String each = rowArr[i];
  doubleArr[i] = Double.parseDouble(each);
 }
 
 //用剛才得到的數(shù)據(jù) 轉(zhuǎn)成向量
 Vector feature = Vectors.dense(doubleArr);
 double label = Double.parseDouble(rowArr[0]);
 //構(gòu)造用于分類訓練的數(shù)據(jù)格式 LabelPoint
 LabeledPoint point = new LabeledPoint(label, feature);
 return point;
 }
 };

需要特別注意的是：

1、call方法的輸入應該是轉(zhuǎn)換之前的數(shù)據(jù)行的類型  返回值應是處理之后的數(shù)據(jù)行類型

2、如果轉(zhuǎn)換方法中調(diào)用了自定義的類，注意該類名必須實現(xiàn)序列化 比如

public class TreeEnsemble implements Serializable {
}

3、轉(zhuǎn)換函數(shù)中如果調(diào)用了某些類的對象，比如該方法需要調(diào)用外部的一個參數(shù)，或者數(shù)值處理模型（標準化，歸一化等），則該對象需要聲明是final

然后就是在合適的時候調(diào)用該轉(zhuǎn)換函數(shù)了

JavaRDD<LabeledPoint> rdd = oriData.toJavaRDD().map(transForm);

這種方式是需要將普通的rdd轉(zhuǎn)成javaRDD才能使用的，轉(zhuǎn)成javaRDD的這一步操作不耗時，不用擔心

二、filter

在避免數(shù)據(jù)出現(xiàn)空值、0等場景中也非常常用，可以滿足sql中where的功能

這里首先也是要定義一個函數(shù)，該函數(shù)給定數(shù)據(jù)行 返回布爾值 實際效果是將返回為true的數(shù)據(jù)保留

Function<String, Boolean> boolFilter = new Function<String, Boolean>() {//String是某一行的輸入類型 Boolean是對應的輸出類型 用于判斷數(shù)據(jù)是否保留
 @Override
 public Boolean call(String row) throws Exception {//重寫call方法
 boolean flag = row!=null;
 return flag;
 }
 };

通常該函數(shù)實際使用中需要修改的僅僅是row的類型 也就是數(shù)據(jù)行的輸入類型，和上面的轉(zhuǎn)換函數(shù)不同，此call方法的返回值應是固定為Boolean

然后是調(diào)用方式

JavaRDD<LabeledPoint> rdd = oriData.toJavaRDD().filter(boolFilter);

三、mapToPair

該方法和map方法有一些類似，也是對數(shù)據(jù)進行一些轉(zhuǎn)換。不過此函數(shù)輸入一行 輸出的是一個元組，最常用的方法是用來做交叉驗證 或者統(tǒng)計錯誤率 召回率 計算AUC等等

同樣，需要先定義一個轉(zhuǎn)換函數(shù)

Function<String, Boolean> transformer = new PairFunction<LabeledPoint, Object, Object>() {//LabeledPoint是輸入類型 后面的兩個Object不要改動
 @Override
 public Tuple2 call(LabeledPoint row) throws Exception {//重寫call方法 通常只改動輸入?yún)?shù) 輸出不要改動
 double predicton = thismodel.predict(row.features());
 double label = row.label();
 return new Tuple2(predicton, label);
 }
 });

關于調(diào)用的類、類的對象，要求和之前的一致，類需要實現(xiàn)序列化，類的對象需要聲明成final類型

相應的調(diào)用如下：

JavaPairRDD<Object, Object> predictionsAndLabels = oriData.mapToPair(transformer);

然后對該predictionsAndLabels的使用，計算準確率、召回率、精準率、AUC，接下來的博客中會有，敬請期待

總結(jié)

以上就是這篇文章的全部內(nèi)容了，希望本文的內(nèi)容對大家的學習或者工作具有一定的參考學習價值，如果有疑問大家可以留言交流，謝謝大家對腳本之家的支持。

最新評論