Spark算子：RDD基本转换操作(1)–map、flatMap、distinct

关键字：Spark算子、Spark RDD基本转换、map、flatMap、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。

1. hadoop fs -cat /tmp/lxw1234/1.txt
2. hello world
3. hello spark
4. hello hive
5. //读取HDFS文件到RDD
6. scala> var data = sc.textFile("/tmp/lxw1234/1.txt")
7. data: org.apache.spark.rdd.RDD[String] = MapPartitionsRDD[1] at textFile at :21
8. //使用map算子
9. scala> var mapresult = data.map(line => line.split("\\s+"))
10. mapresult: org.apache.spark.rdd.RDD[Array[String]] = MapPartitionsRDD[2] at map at :23
11. //运算map算子结果
12. scala> mapresult.collect
13. res0: 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。

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
4. //运算flagMap算子结果
5. scala> flatmapresult.collect
6. res1: 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：

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))
3. scala> data.flatMap(x => x.split("\\s+")).collect
4. res35: 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。

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