零、本讲学习目标一、RDD算子二、准备工作
（一）准备文件
1、准备本地系统文件2、准备HDFS系统文件 （二）启动Spark Shell
1、启动HDFS服务2、启动Spark服务3、启动Spark Shell 三、转化算子
（一）映射算子 - map()
1、映射算子功能2、映射算子案例
任务1、将rdd1每个元素翻倍得到rdd2任务2、将rdd1每个元素平方得到rdd2 （二）过滤算子 - filter()
1、过滤算子功能2、过滤算子案例
任务1、过滤出列表中的偶数任务2、过滤出文件中包含`spark`的行 （三）扁平映射算子 - flatMap()
1、扁平映射算子功能2、扁平映射算子案例
任务1、统计文件中单词个数任务2、统计不规则二维列表元素个数 （四）按键归约算子 - reduceByKey()
1、按键归约算子功能2、按键归约算子案例
任务：计算学生总分
零、本讲学习目标- 掌握转化算子的使用掌握行动算子的使用
RDD被创建后是只读的，不允许修改。Spark提供了丰富的用于操作RDD的方法，这些方法被称为算子。一个创建完成的RDD只支持两种算子：转化（Transformation）算子和行动（Action）算子。 二、准备工作 （一）准备文件 1、准备本地系统文件
在/home目录里创建words.txt
2、准备HDFS系统文件
将words.txt上传到HDFS系统的/park目录里
说明：/park是在上一讲我们创建的目录
（二）启动Spark Shell
1、启动HDFS服务
执行命令：start-dfs.sh
2、启动Spark服务
进入Spark的sbin目录执行命令：./start-all.sh
3、启动Spark Shell
执行名命令： spark-shell --master spark://master:7077
三、转化算子
转化算子负责对RDD中的数据进行计算并转化为新的RDD。Spark中的所有转化算子都是惰性的，因为它们不会立即计算结果，而只是记住对某个RDD的具体操作过程，直到遇到行动算子才会与行动算子一起执行。 （一）映射算子 - map() 1、映射算子功能
map()是一种转化算子，它接收一个函数作为参数，并把这个函数应用于RDD的每个元素，最后将函数的返回结果作为结果RDD中对应元素的值。 2、映射算子案例
预备工作：创建一个RDD - rdd1
任务1、将rdd1每个元素翻倍得到rdd2
对rdd1应用map()算子，将rdd1中的每个元素平方并返回一个名为rdd2的新RDD
上述代码中，向算子map()传入了一个函数x = > x * 2。其中，x为函数的参数名称，也可以使用其他字符，例如a => a * 2。Spark会将RDD中的每个元素传入该函数的参数中。rdd1和rdd2中实际上没有任何数据，因为parallelize()和map()都为转化算子，调用转化算子不会立即计算结果。若需要查看计算结果，则可使用行动算子collect()。执行rdd2.collect()进行计算，并将结果以数组的形式收集到当前Driver。因为RDD的元素为分布式的，数据可能分布在不同的节点上。
其实，向map()算子传入函数的参数可以用下划线_来代替，并且可以简化成_ * 2
把 x => func(x) 简化为 func _ 或 func 的过程称为eta-conversion
把 func 或 func _ 展开为 x => func(x) 的过程为eta-expansion
上述使用map()算子的运行过程如下图所示
任务2、将rdd1每个元素平方得到rdd2
方法一、采用普通函数作为参数传给map()算子
方法二、采用下划线表达式作为参数传给map()算子刚才翻倍用的是map(_ * 2)，很自然地想到平方应该是map(_ * _)
报错，(_ * _)经过eta-expansion变成普通函数，不是我们预期的x => x * x，而是(x$1, x$2) => (x$1 * x$2)，不是一元函数，而是二元函数，系统立马就蒙逼了，不晓得该怎么取两个参数来进行乘法运算。难道就不能用下划线参数了吗？当然可以，但是必须保证下划线表达式里下划线只出现1次。引入幂函数scala.math.pow就可以搞定。
但是有点瑕疵，rdd2的元素变成了双精度实数，得转化成整数
（二）过滤算子 - filter()
1、过滤算子功能
通过函数func对源RDD的每个元素进行过滤，并返回一个新的RDD。 2、过滤算子案例 任务1、过滤出列表中的偶数
基于列表创建RDD，然后利用过滤算子得到偶数构成的新RDD
任务2、过滤出文件中包含spark的行
执行命令： val lines= sc.textFile("hdfs://master:9000/park/words.txt")，读取文件/park/words.txt生成RDD - lines
执行命令：val sparkLines = lines.filter(_.contains("spark"))，过滤包含spark的行生成RDD - sparkLines
执行命令：sparkLines.collect()，查看sparkLines内容
（三）扁平映射算子 - flatMap()
1、扁平映射算子功能
flatMap()算子与map()算子类似，但是每个传入给函数func的RDD元素会返回0到多个元素，最终会将返回的所有元素合并到一个RDD。 2、扁平映射算子案例 任务1、统计文件中单词个数
读取文件，生成RDD - rdd1
按空格拆分，做扁平映射，生成新RDD - rdd2
大家可以看到，经过扁平映射，生成的RDD是一个单词构成一个元素，原先的RDD是五行单词构成五个元素执行命令：rdd2.count()，即可知单词个数
扁平映射算子的运行过程，rdd1的5个元素经过扁平映射变成了rdd2的20个元素
任务2、统计不规则二维列表元素个数
[ 7 8 1 5 10 4 9 7 2 8 1 4 21 4 7 − 4 ] left[ begin{matrix} 7 & 8 & 1 & 5 &\ 10 & 4 & 9 \ 7 & 2 & 8 & 1 & 4 \ 21 & 4 & 7 & -4 end{matrix} right] ⎣⎢⎢⎡7107218424198751−44⎦⎥⎥⎤
方法一、利用Scala来实现
val m = List(List(7, 8, 1, 5),
List(10, 4, 9),
List(7, 2, 8, 1, 4),
List(21, 4, 7, -4))
val arr = m.flatten
arr.size
方法二、利用Spark来实现
val rdd1 = sc.makeRDD(List(List(7, 8, 1, 5),
List(10, 4, 9),
List(7, 2, 8, 1, 4),
List(21, 4, 7, -4)))
val rdd2 = rdd1.flatMap(x => x.toString.substring(5, x.toString.length - 1).split(", "))
rdd2.collect()
scala> rdd2.count()
（四）按键归约算子 - reduceByKey()
1、按键归约算子功能
reduceByKey()算子的作用对像是元素为(key,value)形式（Scala元组）的RDD，使用该算子可以将相同key的元素聚集到一起，最终把所有相同key的元素合并成一个元素。该元素的key不变，value可以聚合成一个列表或者进行求和等操作。最终返回的RDD的元素类型和原有类型保持一致。 2、按键归约算子案例 任务：计算学生总分
成绩表
| 姓名 | 语文 | 数学 | 英语 |
|---|---|---|---|
| 张钦林 | 78 | 90 | 76 |
| 陈燕文 | 95 | 88 | 98 |
| 卢志刚 | 78 | 80 | 60 |
创建成绩列表scores，基于成绩列表创建rdd1，对rdd1按键归约得到rdd2，然后查看rdd2内容
val scores = List(("张钦林", 78), ("张钦林", 90), ("张钦林", 76),
("陈燕文", 95), ("陈燕文", 88), ("陈燕文", 98),
("卢志刚", 78), ("卢志刚", 80), ("卢志刚", 60))
val rdd1 = sc.parallelize(scores)
val rdd2 = rdd1.reduceByKey((x, y) => x + y)
rdd2.collect()
不仅可以在Spark Shell里完成任务，也可以编写Scala程序生成jar提交到Spark服务器运行。有兴趣的同学不妨参看《Spark案例：两种方式计算学生总分》
