Spark-Scala语言实战（6）

news2024/12/28 4:12:49

在之前的文章中，我们学习了如何在scala中定义与使用类和对象，并做了几道例题。想了解的朋友可以查看这篇文章。同时，希望我的文章能帮助到你，如果觉得我的文章写的不错，请留下你宝贵的点赞，谢谢。

Spark-Scala语言实战（5）-CSDN博客文章浏览阅读1.6k次，点赞51次，收藏18次。今天我会给大家带来如何在Scala中定义类和对象，并正确使用它们同时也会给大家讲解一些实训题例。希望在本篇文章中，大家有所收获。也欢迎朋友们到评论区下一起交流学习，共同进步。https://blog.csdn.net/qq_49513817/article/details/136954217?spm=1001.2014.3001.5501今天的文章，我会教大家如何在IDEA中导入我们spark的jars包，并使用RDD方法查看是否导入成功，并完成一道相关例题。

一、知识回顾

二、导入jars包

1.配置

2.方法

三、任务实现

拓展-RDD

1.什么是rdd

2.RDD的特点

3.RDD框架

一、知识回顾

在我们的Scala中，有着我们的类（Class）和对象（Object），而我们的类定义了对象的属性和方，而对象是类的实例。

我们可以使用new关键字来创建类的对象。

其次就是构造器

Scala的类可以有一个或多个构造器，它们用于初始化对象的属性，使用this关键字。

最后就是伴生对象

在Scala中，每个类都有一个与之关联的伴生对象。这个对象与类共享相同的名称，并且它的定义位于类定义的外部。

现在，开始今天的学习吧

二、导入jars包

首先，进入File中的project structure

进入Libraries 添加java

选择本地spark文件中的jars即可。

现在，写一个简单的RDD看下我们的jars包是否导入成功

在代码中有几行是我们要注意的

1.配置

import org.apache.spark.{SparkConf, SparkContext}

这一行的作用是配置spark应用程序，初始化spark的运行环境。

2.方法

 val conf=new SparkConf().setMaster("local").setAppName("123456")
    val sc=new SparkContext(conf)

这两行的作用是使用 .setMaster("local") 方法指定了 Spark 应用程序的运行模式。通过 .setAppName("123456") 方法，为我的Spark 应用程序设置了一个名称。

现在完整代码附上：

import org.apache.spark.{SparkConf, SparkContext}
object p3 {
  def main(args: Array[String]): Unit = {
    val conf=new SparkConf().setMaster("local").setAppName("123456")
    val sc=new SparkContext(conf)
    val data = Array(1,2,3,4,5)
    val distData = sc.parallelize(data)
    print(distData.partitions.size)
    
  }
}

运行结果，输出了1

三、任务实现

查询上半年实际薪资排名前3的员工信息，需要对上半年的实际薪资进行排序，而创建RDD时，textFile0方法是将每一行数据作为一条记录存储的，所以在排序前需要先对数据进行转换，实现步骤如下。（任务文档以文章附件提供）
(1)读取CSV文件，将第一行字段名称删除。
(2)将数据按分隔符“”分隔，取出第2列员工姓名和第7列实际薪员工信息资数据，并将实际薪资数据转换成Int类型数据。
(3)通过sortBy()方法根据实际薪资进行降序排列。
(4)通过take()方法获取上半年实际薪资排名前3的员工信息。

import org.apache.spark.{SparkConf, SparkContext}

object p2 {
  def main(args: Array[String]): Unit = {
    val conf=new SparkConf().setMaster("local").setAppName("p2")
    val sc=new SparkContext(conf)
    val first_half = sc.textFile("C:\\Employee_salary_first_half.csv")
    val drop_first = first_half.mapPartitionsWithIndex((ix,it) => {
      if (ix ==0) it.drop(1)
      it
    })
    val split_first = drop_first.map(line => {val data = line.split(","); (data(1),data(6).toInt)})
    val sort_first =split_first.sortBy(x => x._2,false)
    val ppp=sort_first.take(3)
    println(ppp.toList)
  }
}

使用了 sc.textFile 方法读取位于 "C:\\Employee_salary_first_half.csv" 的 CSV 文件，并将它作为一个 RDD返回。

使用了 mapPartitionsWithIndex 方法去除首行数据，因为首行数据是我们用不到的标题等，

使用了sortBy 方法，按照元组的第二个元素（即第七列的值）进行降序排序。

最后将数据转化为列表输出。

执行代码获得最后结果。

拓展-RDD

1.什么是rdd

RDD，全称Resilient Distributed Dataset，即弹性分布式数据集，是分布式内存的一个抽象概念。它是Spark中最基本的数据抽象，代表一个不可变、可分区、里面的元素可并行计算的集合。RDD提供了一种高度受限的共享内存模型，即RDD是只读的记录分区的集合，只能通过在其他RDD执行确定的转换操作（如map、join和group by）而创建。

RDD的主要特性包括：

分区列表：每个RDD被分为多个分区，这些分区运行在集群的不同节点上，每个分区都会被一个计算任务处理，分区数决定并行计算的数量。
依赖关系：RDD的每次转换都会生成一个新的RDD，所以RDD之间就会形成类似于流水线一样的前后依赖关系，包括窄依赖（一对一）和宽依赖（多对多）。
容错性：RDD支持高效的容错，数据既可以缓存在内存中，也可以缓存在磁盘中，或者缓存在外部存储中。

RDD的作用是降低了开发分布式应用程序的门槛，提高了执行效率。在RDD中，开发者可以通过简单的操作如map、reduce等完成数据的拆分、通信机制、作业调度等复杂任务。

2.RDD的特点

特点	描述
弹性	RDD是弹性的，可以在内存中缓存数据，并支持容错性。当计算节点发生故障时，可以重新计算丢失的数据分区，而不需要重新启动整个计算过程。
分区	RDD将数据集合划分为多个分区，每个分区存储在不同的计算节点上。这样可以实现数据的并行处理，提高计算效率。
不可变性	RDD是不可变的，即不能直接修改RDD中的数据。如果需要对RDD进行转换或操作，会生成一个新的RDD。
延迟计算	RDD采用了惰性计算的策略，即只有在需要获取结果时才会进行计算。这样可以避免不必要的计算，提高计算效率。
容错性	RDD具有容错性，可以自动从节点失败中恢复过来。如果某个节点上的RDD分区因为节点故障导致数据丢失，RDD会自动通过自己的数据来源重新计算该分区。

3.RDD框架

组件	描述
Spark框架	一个用于大规模数据处理的快速、通用计算引擎，支持批处理、流处理、图计算和机器学习等。
RDD（弹性分布式数据集）	Spark的核心抽象，表示一个只读、可分区的数据集，可以跨集群节点进行计算。
分区（Partition）	RDD中的数据被逻辑上划分为多个分区，每个分区存储在不同的节点上，以实现并行计算。
转换操作（Transformations）	创建新RDD的操作，如map、filter、flatMap等。这些操作是惰性的，只记录计算逻辑，不立即执行。
动作操作（Actions）	触发RDD计算并返回结果到驱动程序的操作，如collect、count、reduce等。
依赖关系（Dependencies）	RDD之间的依赖关系，用于描述RDD之间的转换链，支持容错和计算优化。
缓存（Caching）	RDD可以缓存在内存中，以便在多次计算中重用，提高计算效率。
容错性（Fault Tolerance）	RDD通过记录数据转换的血缘关系实现容错，当节点故障导致数据丢失时，可以重新计算丢失的分区。
调度器（Scheduler）	负责任务的调度和分配，将任务发送到合适的节点上执行，以实现高效的并行计算。
执行器（Executor）	运行在集群节点上的进程，负责执行具体的计算任务，与驱动程序通信以获取数据和指令。