spark2.x由浅入深深到底系列六之RDD 支持java8 lambda表达式
学习spark任何技术之前，请正确理解spark，可以参考：正确理解spark我们在 http://7639240.blog.运维网.com/7629240/1966131 中已经知道了，一个scala函数其实就是java中的一个接口，对于java8 lambda而言，也是一样，一个lambda表达式就是java中的一个接口。接下来我们先看看spark中最简单的wordcount这个例子，分别用java8的非lambda以及lambda来实现：
一、非lambda实现的java spark wordcount程序：
public class WordCount {
public static void main(String[] args) {
SparkConf conf = new SparkConf().setAppName("appName").setMaster("local");
JavaSparkContext sc = new JavaSparkContext(conf);
//JavaPairRDD inputRDD = sc.hadoopFile("hdfs://master:9999/user/word.txt",
// TextInputFormat.class, LongWritable.class, Text.class);
JavaRDD inputRDD = sc.textFile("file:///Users/tangweiqun/test.txt");
JavaRDD wordsRDD = inputRDD.flatMap(new FlatMapFunction() {
@Override
public Iterator call(String s) throws Exception {
return Arrays.asList(s.split(" ")).iterator();
}
});
JavaPairRDD keyValueWordsRDD
= wordsRDD.mapToPair(new PairFunction() {
@Override
public Tuple2 call(String s) throws Exception {
return new Tuple2(s, 1);
}
});
JavaPairRDD wordCountRDD =
keyValueWordsRDD.reduceByKey(new HashPartitioner(2),
new Function2() {
@Override
public Integer call(Integer a, Integer b) throws Exception {
return a + b;
}
});
//如果输出文件存在的话需要删除掉
File outputFile = new File("/Users/tangweiqun/wordcount");
if (outputFile.exists()) {
File[] files = outputFile.listFiles();
for(File file: files) {
file.delete();
}
outputFile.delete();
}
wordCountRDD.saveAsTextFile("file:///Users/tangweiqun/wordcount");
System.out.println(wordCountRDD.collect());
}
}
二、java8 lambda实现的wordcount代码
public class WordCount {
public static void main(String[] args) {
SparkConf conf = new SparkConf().setAppName("appName").setMaster("local");
JavaSparkContext sc = new JavaSparkContext(conf);
//JavaPairRDD inputRDD = sc.hadoopFile("hdfs://master:9999/user/word.txt",
// TextInputFormat.class, LongWritable.class, Text.class);
JavaRDD inputRDD = sc.textFile("file:///Users/tangweiqun/test.txt");
JavaRDD wordsRDD = inputRDD.flatMap(input -> Arrays.asList(input.split(" ")).iterator());
JavaPairRDD keyValueWordsRDD
= wordsRDD.mapToPair(word -> new Tuple2(word, 1));
JavaPairRDD wordCountRDD = keyValueWordsRDD.reduceByKey((a, b) -> a + b);
//如果输出文件存在的话需要删除掉
File outputFile = new File("/Users/tangweiqun/wordcount");
if (outputFile.exists()) {
File[] files = outputFile.listFiles();
for(File file: files) {
file.delete();
}
outputFile.delete();
}
wordCountRDD.saveAsTextFile("file:///Users/tangweiqun/wordcount");
System.out.println(wordCountRDD.collect());
}
}
从上面可以看出，lambda的实现更加简洁，也可以看出一个lambda函数表达式就是一个java接口。
我们在http://7639240.blog.运维网.com/7629240/1966958提到的combineByKey，如下的代码：
JavaPairRDD javaPairRDD =
sc.parallelizePairs(Arrays.asList(new Tuple2("coffee", 1), new Tuple2("coffee", 2),
new Tuple2("panda", 3), new Tuple2("coffee", 9)), 2);
//当在一个分区中遇到新的key的时候，对这个key对应的value应用这个函数
Function createCombiner = new Function() {
@Override
public Tuple2 call(Integer value) throws Exception {
return new Tuple2(value, 1);
}
};
//当在一个分区中遇到已经应用过上面createCombiner函数的key的时候，对这个key对应的value应用这个函数
Function2 mergeValue =
new Function2() {
@Override
public Tuple2 call(Tuple2 acc, Integer value) throws Exception {
return new Tuple2(acc._1() + value, acc._2() + 1);
}
};
//当需要对不同分区的数据进行聚合的时候应用这个函数
Function2 mergeCombiners =
new Function2() {
@Override
public Tuple2 call(Tuple2 acc1, Tuple2 acc2) throws Exception {
return new Tuple2(acc1._1() + acc2._1(), acc1._2() + acc2._2());
}
};
JavaPairRDD combineByKeyRDD =
javaPairRDD.combineByKey(createCombiner, mergeValue, mergeCombiners);
//结果：[(coffee,(12,3)), (panda,(3,1))]
System.out.println("combineByKeyRDD = " + combineByKeyRDD.collect()); 可以写成如下的lambda实现的combineByKey:
JavaPairRDD javaPairRDD =
sc.parallelizePairs(Arrays.asList(new Tuple2("coffee", 1), new Tuple2("coffee", 2),
new Tuple2("panda", 3), new Tuple2("coffee", 9)), 2);
//当在一个分区中遇到新的key的时候，对这个key对应的value应用这个函数
Function createCombiner = value -> new Tuple2(value, 1);
//当在一个分区中遇到已经应用过上面createCombiner函数的key的时候，对这个key对应的value应用这个函数
Function2 mergeValue = (acc, value) ->new Tuple2(acc._1() + value, acc._2() + 1);
//当需要对不同分区的数据进行聚合的时候应用这个函数
Function2 mergeCombiners = (acc1, acc2) -> new Tuple2(acc1._1() + acc2._1(), acc1._2() + acc2._2());
JavaPairRDD combineByKeyRDD =
javaPairRDD.combineByKey(createCombiner, mergeValue, mergeCombiners);
//结果：[(coffee,(12,3)), (panda,(3,1))]
System.out.println("combineByKeyRDD = " + combineByKeyRDD.collect());
如果想深入的系统的理解spark RDD api可以参考： spark core RDD api原理详解
页:
[1]