头歌：RDD的创建 -Scala

第1关：集合并行化创建RDD

任务描述

本关任务：计算并输出各个学生的总成绩。

相关知识

为了完成本关任务，你需要掌握：1.集合并行化创建RDD，2.reduceByKey算子、foreach算子

集合创建RDD
Spark会将集合中的数据拷贝到集群上去，形成一个分布式的数据集合，也就是一个RDD。相当于是，集合中的部分数据会到一个节点上，而另一部分数据会到其他节点上。然后就可以用并行的方式来操作这个分布式数据集合，即RDD。

val list=List(1,2,3,4,5)
val stu=sc.parallelize(list,3)//参数1：Seq集合，必须。参数2：分区数，默认为该Application分配到的资源的CPU核数
//val stu=sc.makeRDD(list,3) //和parallelize用法一样。（该用法可以指定每一个分区的preferredLocations）。
val sum=stu.reduce(_+_)
println(sum)

输出：15

reduceByKey()
对元素为RDD[K,V]对的RDD中Key相同的元素的Value进行聚合

val list = List(("spark",2),("hive",1),("hive",2))
val stuRDD = sc.makeRDD(list)
stuRDD.reduceByKey(_+_)

输出：
(spark,2)
(hive,3)

foreach() ：对数据集中每一个元素运行函数

val list = List(1,2,3,4)
val stuRDD = sc.makeRDD(list)
stuRDD.foreach(print)//对这个RDD进行遍历输出

输出：1234

编程要求
根据提示，在右侧编辑器begin-end处补充代码，计算并输出各个学生的总成绩。

("bj",88)： bj指学生姓名，88指学生成绩。
测试说明
平台会对你编写的代码进行测试：

预期输出：

(bj,254)
(sh,221)
(gz,285)

import org.apache.spark.SparkContext
import org.apache.spark.SparkConf

object Student {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName(this.getClass.getSimpleName).setMaster("local")
    val sc = new SparkContext(conf)
    val arr1=Array(("bj",88),("sh",67),("gz",92))
    val arr2=Array(("bj",94),("sh",85),("gz",95))
    val arr3=Array(("bj",72),("sh",69),("gz",98))
    /********** begin **********/
     // 第一步：先将数组进行合并
    val combinedArr = arr1 ++ arr2 ++ arr3

    // 第二步：创建RDD
    val rdd = sc.parallelize(combinedArr)

    // 第三步：把相同key的进行聚合
    val totalScores = rdd.reduceByKey(_ + _)

    // 第四步：输出
    totalScores.collect().foreach(println)

	/********** end **********/
    sc.stop()
  }
}

这段代码首先创建了一个配置为本地模式的 SparkConf 和 SparkContext。然后，它定义了三个包含学生姓名和成绩的数组。在 begin 和 end 之间，代码执行了以下步骤：

使用 ++ 运算符将三个数组合并成一个数组。
使用 sc.parallelize(combinedArr) 将合并后的数组并行化，创建一个 RDD。
使用 reduceByKey(_ + _) 对 RDD 中的相同键（学生姓名）的值（成绩）进行聚合，得到每个学生的总成绩。
使用 collect().foreach(println) 方法将分布式数据集中的结果收集到驱动程序中，并遍历打印每个学生的总成绩。

第2关：读取外部数据集创建RDD

任务描述

本关任务：读取文本文件，按照文本中数据，输出老师及其出现次数。

相关知识

为了完成本关任务，你需要掌握：1.读取文件创建RDD，2.本关所需算子。

读取文件

textFile()

1. val rdd = sc.textFile("/home/student.txt")//文件路径

算子

(1)map：对RDD中的每个元素都执行一个指定的函数来产生一个新的RDD。

1. scala> val numbers=sc.makeRDD(List(1,2,3,4))
2. scala> numbers.map((i: Int) => i * 2)
3. res0: List[Int] = List(2, 4, 6, 8)

(2) reduceByKey() ：对元素为RDD[K,V]对的RDD中Key相同的元素的Value进行聚合。

1. val list = List(("spark",2),("hive",1),("hive",2))
2. val stuRDD = sc.makeRDD(list)
3. stuRDD.reduceByKey(_+_).foreach(println)

输出： (spark,2) (hive,3)

(3)sortBy() ：对RDD中的元素进行排序。

1. val list = List(("spark",2),("hive",1),("hadoop",4))
2. val stuRDD = sc.makeRDD(list)
3. stuRDD.sortBy(_._2,false,3)//参数1：函数，排序规则有这个函数决定（必填） 参数2：升降序（true为升序，false为降序） 参数3：分区数量

编程要求

根据提示，在右侧编辑器begin-end处补充代码，按每位老师出现的次数降序，输出老师姓名和出现次数。

• 输入文件样例：

bigdata,laozhang bigdata,laoduan javaee,xiaoxu

bigdata指科目，laozhang指老师名称。

测试说明

平台会对你编写的代码进行测试：

预期输出： (laozhao,15) (laoyang,9) (laoduan,5) (xiaoxu,4) (laoli,3) (laozhang,2) (laoliu,1)

import org.apache.spark.SparkContext
import org.apache.spark.SparkConf

object Teachers {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName("Teachers").setMaster("local")
    val sc = new SparkContext(conf)
    val dataFile = "file:///root/step2_files"
    /********** begin **********/
     // 第一步：以外部文件方式创建RDD
    val rdd = sc.textFile(dataFile)

    // 第二步：将文件中每行的数据切分，得到自己想要的返回值
    val teacherRdd = rdd.map(line => (line.split(",")(1), 1))

    // 第三步：将相同的key进行聚合
    val aggregatedRdd = teacherRdd.reduceByKey(_ + _)

    // 第四步：按出现次数进行降序
    val sortedRdd = aggregatedRdd.sortBy(_._2, false)

    // 第五步：输出
    sortedRdd.collect().foreach(println)

	/********** end **********/
    sc.stop()
  }
}

这段代码首先创建了一个配置为本地模式的 SparkConf 和 SparkContext。然后，它定义了要读取的文本文件路径。在 begin 和 end 之间，代码执行了以下步骤：

使用 sc.textFile(dataFile) 从外部文件创建一个 RDD。
使用 map 函数将每行数据切分为老师名称和科目，并创建一个由老师名称和出现次数（初始为1）组成的元组 RDD。
使用 reduceByKey 函数对 RDD 中的相同老师名称的记录进行聚合，得到每位老师的总出现次数。
使用 sortBy 函数按照出现次数进行降序排序。
使用 collect().foreach(println) 方法将排序后的结果收集到驱动程序中，并遍历打印每位老师的姓名和出现次数。