前面讲了常用的DataSource的用法，DataSource其实是把数据加载进来，加载进来之后就需要做Transformation操作了。
Data transformations transform one or more DataSets into a new DataSet. Programs can combine multiple transformations into sophisticated assemblies.
数据转化可以将一个或多个DataSets转化到一个新的DataSet。就是一个算法的综合使用。
Map Function
Scala
新建一个Object
object DataSetTransformationApp {
def main(args: Array[String]): Unit = {
val environment = ExecutionEnvironment.getExecutionEnvironment
}
def mapFunction(env: ExecutionEnvironment): Unit = {
val data = env.fromCollection(List(1,2,3,4,5,6,7,8,9,10))
}
}这里的数据源是一个1到10的list集合。Map的原理是：假设data数据集中有N个元素，将每一个元素进行转化：
data.map { x => x.toInt }好比：y=f(x)
// 对data中的每一个元素都去做一个+1操作
data.map((x:Int) => x + 1 ).print()然后对每一个元素都做一个+1操作。
简单写法：
如果这个里面只有一个元素，就可以直接写成下面形式：
data.map((x) => x + 1).print()更简洁的写法：
data.map(x => x + 1).print()更简洁的方法：
data.map(_ + 1).print()Java
public static void main(String[] args) throws Exception {
ExecutionEnvironment executionEnvironment = ExecutionEnvironment.getExecutionEnvironment();
mapFunction(executionEnvironment);
}
public static void mapFunction(ExecutionEnvironment executionEnvironment) throws Exception {
List<String> list = new ArrayList<>();
for (int i = 1; i <= 10; i++) {
list.add(i + "");
}
DataSource<String> data = executionEnvironment.fromCollection(list);
data.map(new MapFunction<String, Integer>() {
public Integer map(String input) {
return Integer.parseInt(input) + 1;
}
}).print();
}因为我们定义的List是一个String的泛型，因此MapFunction的泛型是<String, Integer>，第一个参数表示输入的类型，第二个参数表示输出是一个Integer类型。
Filter Function
将每个元素执行+1操作，并取出大于5的元素。
Scala
def filterFunction(env: ExecutionEnvironment): Unit = {
val data = env.fromCollection(List(1, 2, 3, 4, 5, 6, 7, 8, 9, 10))
data.map(_ + 1).filter(_ > 5).print()
}filter只会返回满足条件的记录。
Java
public static void filterFunction(ExecutionEnvironment env) throws Exception {
List<Integer> list = new ArrayList<>();
for (int i = 1; i <= 10; i++) {
list.add(i);
}
DataSource<Integer> data = env.fromCollection(list);
data.map(new MapFunction<Integer, Integer>() {
public Integer map(Integer input) {
return input + 1;
}
}).filter(new FilterFunction<Integer>() {
@Override
public boolean filter(Integer input) throws Exception {
return input > 5;
}
}).print();
}MapPartition Function
map function 与 MapPartition function有什么区别？
需求：DataSource 中有100个元素,把结果存储在数据库中
如果使用map function ，那么实现方法如下：
// DataSource 中有100个元素,把结果存储在数据库中
def mapPartitionFunction(env: ExecutionEnvironment): Unit = {
val students = new ListBuffer[String]
for (i <- 1 to 100) {
students.append("Student" + i)
}
val data = env.fromCollection(students)
data.map(x=>{
// 每一个元素要存储到数据库中去，肯定需要先获取到connection
val connection = DBUtils.getConnection()
println(connection + " ... ")
// TODO .... 保存数据到DB
DBUtils.returnConnection(connection)
}).print()
}打印结果，将会打印100个获取DBUtils.getConnection()的请求。如果数据量增多，显然不停的获取连接是不现实的。
因此MapPartition就应运而生了，转换一个分区里面的数据，也就是说一个分区中的数据调用一次。
因此要首先设置分区：
val data = env.fromCollection(students).setParallelism(4)设置4个分区，也就是并行度，然后使用mapPartition来处理：
data.mapPartition(x => {
val connection = DBUtils.getConnection()
println(connection + " ... ")
// TODO .... 保存数据到DB
DBUtils.returnConnection(connection)
x
}).print()那么就会的到4次连接请求，每一个分区获取一个connection。
Java
public static void mapPartitionFunction(ExecutionEnvironment env) throws Exception {
List<String> list = new ArrayList<>();
for (int i = 1; i <= 100; i++) {
list.add("student:" + i);
}
DataSource<String> data = env.fromCollection(list);
/*data.map(new MapFunction<String, String>() {
@Override
public String map(String input) throws Exception {
String connection = DBUtils.getConnection();
System.out.println("connection = [" + connection + "]");
DBUtils.returnConnection(connection);
return input;
}
}).print();*/
data.mapPartition(new MapPartitionFunction<String, Object>() {
@Override
public void mapPartition(Iterable<String> values, Collector<Object> out) throws Exception {
String connection = DBUtils.getConnection();
System.out.println("connection = [" + connection + "]");
DBUtils.returnConnection(connection);
}
}).print();
}first groupBy sortGroup
first表示获取前几个，groupBy表示分组，sortGroup表示分组内排序
def firstFunction(env:ExecutionEnvironment): Unit = {
val info = ListBuffer[(Int, String)]()
info.append((1, "hadoop"))
info.append((1, "spark"))
info.append((1, "flink"))
info.append((2, "java"))
info.append((2, "springboot"))
info.append((3, "linux"))
info.append((4, "vue"))
val data = env.fromCollection(info)
data.first(3).print()
data.groupBy(0).first(2).print()
data.groupBy(0).sortGroup(1, Order.ASCENDING).first(2).print()
}