RDD基本转换操作(1)–map、flagMap、distinct

lxw的大数据田地 » Spark算子：RDD基本转换操作(1)–map、flagMap、distinct map

将一个RDD中的每个数据项，通过map中的函数映射变为一个新的元素。

输入分区与输出分区一对一，即：有多少个输入分区，就有多少个输出分区。

hadoop fs -cat /tmp/lxw1234/1.txthello worldhello sparkhello hive  //读取HDFS文件到RDDscala> var data = sc.textFile("/tmp/lxw1234/1.txt")data: org.apache.spark.rdd.RDD[String] = MapPartitionsRDD[1] at textFile at :21 //使用map算子scala> var mapresult = data.map(line => line.split("\\s+"))mapresult: org.apache.spark.rdd.RDD[Array[String]] = MapPartitionsRDD[2] at map at :23 //运算map算子结果scala> mapresult.collectres0: Array[Array[String]] = Array(Array(hello, world), Array(hello, spark), Array(hello, hive))   flatMap属于Transformation算子，第一步和map一样，最后将所有的输出分区合并成一个。 /使用flatMap算子scala> var flatmapresult = data.flatMap(line => line.split("\\s+"))flatmapresult: org.apache.spark.rdd.RDD[String] = MapPartitionsRDD[3] at flatMap at :23 //运算flagMap算子结果scala> flatmapresult.collectres1: Array[String] = Array(hello, world, hello, spark, hello, hive) 

使用flatMap时候需要注意：flatMap会将字符串看成是一个字符数组。看下面的例子：

scala> data.map(_.toUpperCase).collectres32: Array[String] = Array(HELLO WORLD, HELLO SPARK, HELLO HIVE, HI SPARK)scala> data.flatMap(_.toUpperCase).collectres33: 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：

scala> data.map(x => x.split("\\s+")).collectres34: Array[Array[String]] = Array(Array(hello, world), Array(hello, spark), Array(hello, hive), Array(hi, spark)) scala> data.flatMap(x => x.split("\\s+")).collectres35: Array[String] = Array(hello, world, hello, spark, hello, hive, hi, spark) 

这次的结果好像是预期的，最终结果里面并没有把字符串当成字符数组。 这是因为这次map函数中返回的类型为Array[String]，并不是String。 flatMap只会将String扁平化成字符数组，并不会把Array[String]也扁平化成字符数组。

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

distinct

对RDD中的元素进行去重操作。

scala> data.flatMap(line => line.split("\\s+")).collectres61: Array[String] = Array(hello, world, hello, spark, hello, hive, hi, spark) scala> data.flatMap(line => line.split("\\s+")).distinct.collectres62: Array[String] = Array(hive, hello, world, spark, hi)