从大方向来说,spark 算子大致可以分为以下两类:
1)transformation 变换/转换算子:这种变换并不触发提交作业,完成作业中间过程处理。
transformation 操作是延迟计算的,也就是说从一个rdd 转换生成另一个 rdd 的转换操作不是马上执行,需要等到有 action 操作的时候才会真正触发运算。
2)action 行动算子:这类算子会触发 sparkcontext 提交 job 作业。
action 算子会触发 spark 提交作业(job),并将数据输出 spark系统。
从小方向来说,spark 算子大致可以分为以下三类:
1)value数据类型的transformation算子,这种变换并不触发提交作业,针对处理的数据项是value型的数据。
2)key-value数据类型的transfromation算子,这种变换并不触发提交作业,针对处理的数据项是key-value型的数据对。
3)action算子,这类算子会触发sparkcontext提交job作业。
引言
通常写spark的程序用scala比较方便,毕竟spark的源码就是用scala写的。然而,目前java开发者特别多,尤其进行数据对接、上线服务的时候,这时候,就需要掌握一些spark在java中的使用方法了
一、map
map在进行数据处理、转换的时候,不能更常用了
在使用map之前 首先要定义一个转换的函数 格式如下:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
|
function<string, labeledpoint> transform = new function<string, labeledpoint>() { //string是某一行的输入类型 labeledpoint是转换后的输出类型 @override public labeledpoint call(string row) throws exception { //重写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 然后放到数组中 for ( int i = 1 ; i < rowsize; i++) { string each = rowarr[i]; doublearr[i] = double .parsedouble(each); } //用刚才得到的数据 转成向量 vector feature = vectors.dense(doublearr); double label = double .parsedouble(rowarr[ 0 ]); //构造用于分类训练的数据格式 labelpoint labeledpoint point = new labeledpoint(label, feature); return point; } }; |
需要特别注意的是:
1、call方法的输入应该是转换之前的数据行的类型 返回值应是处理之后的数据行类型
2、如果转换方法中调用了自定义的类,注意该类名必须实现序列化 比如
1
2
|
public class treeensemble implements serializable { } |
3、转换函数中如果调用了某些类的对象,比如该方法需要调用外部的一个参数,或者数值处理模型(标准化,归一化等),则该对象需要声明是final
然后就是在合适的时候调用该转换函数了
1
|
javardd<labeledpoint> rdd = oridata.tojavardd().map(transform); |
这种方式是需要将普通的rdd转成javardd才能使用的,转成javardd的这一步操作不耗时,不用担心
二、filter
在避免数据出现空值、0等场景中也非常常用,可以满足sql中where的功能
这里首先也是要定义一个函数,该函数给定数据行 返回布尔值 实际效果是将返回为true的数据保留
1
2
3
4
5
6
7
|
function<string, boolean > boolfilter = new function<string, boolean >() { //string是某一行的输入类型 boolean是对应的输出类型 用于判断数据是否保留 @override public boolean call(string row) throws exception { //重写call方法 boolean flag = row!= null ; return flag; } }; |
通常该函数实际使用中需要修改的仅仅是row的类型 也就是数据行的输入类型,和上面的转换函数不同,此call方法的返回值应是固定为boolean
然后是调用方式
1
|
javardd<labeledpoint> rdd = oridata.tojavardd().filter(boolfilter); |
三、maptopair
该方法和map方法有一些类似,也是对数据进行一些转换。不过此函数输入一行 输出的是一个元组,最常用的方法是用来做交叉验证 或者统计错误率 召回率 计算auc等等
同样,需要先定义一个转换函数
1
2
3
4
5
6
7
8
|
function<string, boolean > transformer = new pairfunction<labeledpoint, object, object>() { //labeledpoint是输入类型 后面的两个object不要改动 @override public tuple2 call(labeledpoint row) throws exception { //重写call方法 通常只改动输入参数 输出不要改动 double predicton = thismodel.predict(row.features()); double label = row.label(); return new tuple2(predicton, label); } }); |
关于调用的类、类的对象,要求和之前的一致,类需要实现序列化,类的对象需要声明成final类型
相应的调用如下:
1
|
javapairrdd<object, object> predictionsandlabels = oridata.maptopair(transformer); |
然后对该predictionsandlabels的使用,计算准确率、召回率、精准率、auc,接下来的博客中会有,敬请期待
总结
以上就是这篇文章的全部内容了,希望本文的内容对大家的学习或者工作具有一定的参考学习价值,如果有疑问大家可以留言交流,谢谢大家对服务器之家的支持。
原文链接:https://www.cnblogs.com/starwater/p/9195764.html