当前位置：首页 > news >正文

Spark基本命令详解

news 2025/7/19 15:05:39

文章目录

Spark基本命令详解
- 一、引言
- 二、Spark Core 基本命令
- - 1、Transformations（转换操作）
  - - 1.1、groupBy(func)
    - 1.2、filter(func)
  - 2、Actions（动作操作）
  - - 2.1、distinct([numTasks])
    - 2.2、sortBy(func, [ascending], [numTasks])
- 三、Spark SQL 基本命令
- - 3.1、读取数据
- 四、使用示例
- - 4.1、统计年龄小于25岁的人群的爱好排行榜
- 五、总结

Spark基本命令详解

一、引言

Apache Spark 是一个开源的分布式计算系统，它提供了一个快速且通用的集群计算平台。本文将详细介绍Spark的一些基本命令及其使用示例，帮助开发者更好地理解和应用Spark。
在这里插入图片描述

二、Spark Core 基本命令

1、Transformations（转换操作）

在Spark中，转换操作是指从一个RDD到另一个RDD的操作。以下是一些常用的转换操作：

1.1、groupBy(func)

groupBy(func)：按照func的返回值进行分组。

val rdd1: RDD[Int] = sc.makeRDD(Array(1, 3, 4, 20, 4, 5, 8),2)
val rdd2 = rdd1.groupBy(x => if(x % 2 == 0) "odd" else "even")
rdd2.collect.foreach(kv => {kv._2.foreach(it => println(kv._1, it))
})

1.2、filter(func)

filter(func)：过滤，返回一个新的RDD，由func的返回值为true的那些元素组成。

val rdd1 = sc.makeRDD(Array("xiaoli", "laoli", "laowang", "xiaocang", "xiaojing", "xiaokong"))
val rdd2 = rdd1.filter(_.contains("xiao"))
rdd2.collect().foreach(println)

2、Actions（动作操作）

动作操作是指从RDD计算得到最终结果的操作。以下是一些常用的动作操作：

2.1、distinct([numTasks])

distinct([numTasks])：对RDD中元素执行去重操作，参数表示任务的数量，默认值和分区数保持一致。

val rdd1: RDD[Int] = sc.makeRDD(Array(10, 10, 2, 5, 3, 5, 3, 6, 9, 1))
rdd1.distinct().collect().foreach(println)

2.2、sortBy(func, [ascending], [numTasks])

sortBy(func, [ascending], [numTasks])：使用func先对数据进行处理，按照处理后结果排序。

val rdd1: RDD[Int] = sc.makeRDD(Array(1,3,4,10,4,6,9,20,30,16))
val rdd2: RDD[Int] = rdd1.sortBy(x => x)
println(s"默认排序: ${rdd2.collect().mkString(", ")}")

三、Spark SQL 基本命令

3.1、读取数据

在Spark SQL中，你可以使用SparkSession来读取数据，并进行处理。以下是读取目录下文本数据的示例：

val spark: SparkSession = SparkSession.builder().master("local[*]").appName("SparkSQL").getOrCreate()
val sc: SparkContext = spark.sparkContext
sc.setLogLevel("WARN")
val Schema: StructType = new StructType().add("name","string").add("age","integer").add("hobby","string")
val dataDF: DataFrame = spark.readStream.schema(Schema).json("D:\\data\\spark\\data")

四、使用示例

4.1、统计年龄小于25岁的人群的爱好排行榜

以下是一个使用Spark Structured Streaming进行实时数据处理的示例，统计年龄小于25岁的人群的爱好排行榜：

import spark.implicits._
val result: Dataset[Row] = dataDF.filter($"age" < 25).groupBy("hobby").count().sort($"count".desc)
result.writeStream.format("console").outputMode("complete").trigger(Trigger.ProcessingTime(0)).start().awaitTermination()