Spark的算子的分類

從大方向來說，Spark 算子大致可以分為以下兩類:

1）Transformation 變換/轉換算子：這種變換并不觸發提交作業，完成作業中間過程處理。

Transformation 操作是延遲計算的，也就是說從一個RDD 轉換生成另一個 RDD 的轉換操作不是馬上執行，需要等到有 Action 操作的時候才會真正觸發運算。

2）Action 行動算子：這類算子會觸發 SparkContext 提交 Job 作業。

Action 算子會觸發 Spark 提交作業（Job），并將數據輸出 Spark系統。

從小方向來說，Spark 算子大致可以分為以下三類:

1）Value數據類型的Transformation算子，這種變換并不觸發提交作業，針對處理的數據項是Value型的數據。

2）Key-Value數據類型的Transfromation算子，這種變換并不觸發提交作業，針對處理的數據項是Key-Value型的數據對。

3）Action算子，這類算子會觸發SparkContext提交Job作業。

引言

通常寫spark的程序用scala比較方便，畢竟spark的源碼就是用scala寫的。然而，目前java開發者特別多，尤其進行數據對接、上線服務的時候，這時候，就需要掌握一些spark在java中的使用方法了

一、map

map在進行數據處理、轉換的時候，不能更常用了

在使用map之前 首先要定義一個轉換的函數 格式如下：

Function<String, LabeledPoint> transForm = new Function<String, LabeledPoint>() {//String是某一行的輸入類型 LabeledPoint是轉換后的輸出類型 @Override public LabeledPoint call(String row) throws Exception {//重寫call方法 String[] rowArr = row.split(","); int rowSize = rowArr.length;  double[] doubleArr = new double[rowSize-1];  //除了第一位的lable外 其余的部分解析成double 然后放到數組中 for (int i = 1; i < rowSize; i++) {  String each = rowArr[i];  doubleArr[i] = Double.parseDouble(each); }  //用剛才得到的數據 轉成向量 Vector feature = Vectors.dense(doubleArr); double label = Double.parseDouble(rowArr[0]); //構造用于分類訓練的數據格式 LabelPoint LabeledPoint point = new LabeledPoint(label, feature); return point; } };

需要特別注意的是：

1、call方法的輸入應該是轉換之前的數據行的類型  返回值應是處理之后的數據行類型

2、如果轉換方法中調用了自定義的類，注意該類名必須實現序列化 比如

public class TreeEnsemble implements Serializable {}

3、轉換函數中如果調用了某些類的對象，比如該方法需要調用外部的一個參數，或者數值處理模型（標準化，歸一化等），則該對象需要聲明是final

然后就是在合適的時候調用該轉換函數了

JavaRDD<LabeledPoint> rdd = oriData.toJavaRDD().map(transForm);

這種方式是需要將普通的rdd轉成javaRDD才能使用的，轉成javaRDD的這一步操作不耗時，不用擔心

二、filter

在避免數據出現空值、0等場景中也非常常用，可以滿足sql中where的功能

這里首先也是要定義一個函數，該函數給定數據行 返回布爾值 實際效果是將返回為true的數據保留

Function<String, Boolean> boolFilter = new Function<String, Boolean>() {//String是某一行的輸入類型 Boolean是對應的輸出類型 用于判斷數據是否保留 @Override public Boolean call(String row) throws Exception {//重寫call方法 boolean flag = row!=null; return flag; } };

通常該函數實際使用中需要修改的僅僅是row的類型 也就是數據行的輸入類型，和上面的轉換函數不同，此call方法的返回值應是固定為Boolean

然后是調用方式

JavaRDD<LabeledPoint> rdd = oriData.toJavaRDD().filter(boolFilter);

三、mapToPair

該方法和map方法有一些類似，也是對數據進行一些轉換。不過此函數輸入一行 輸出的是一個元組，最常用的方法是用來做交叉驗證 或者統計錯誤率 召回率 計算AUC等等

同樣，需要先定義一個轉換函數

Function<String, Boolean> transformer = new PairFunction<LabeledPoint, Object, Object>() {//LabeledPoint是輸入類型 后面的兩個Object不要改動 @Override public Tuple2 call(LabeledPoint row) throws Exception {//重寫call方法 通常只改動輸入參數 輸出不要改動 double predicton = thismodel.predict(row.features()); double label = row.label(); return new Tuple2(predicton, label); } });

關于調用的類、類的對象，要求和之前的一致，類需要實現序列化，類的對象需要聲明成final類型

相應的調用如下：

JavaPairRDD<Object, Object> predictionsAndLabels = oriData.mapToPair(transformer);

然后對該predictionsAndLabels的使用，計算準確率、召回率、精準率、AUC，接下來的博客中會有，敬請期待

總結

以上就是這篇文章的全部內容了，希望本文的內容對大家的學習或者工作具有一定的參考學習價值，如果有疑問大家可以留言交流，謝謝大家對VeVb武林網的支持。