大数据分析工程师入门（二）：Scala 基础

点击上方“ 大数据与人工智能 ”，“星标或置顶公众号”

第一时间获取好内容

导读：作为大数据分析工程师入门的第二节课，我们来学习Scala基础。可以这样说，Scala源于Java，但又高于Java，正所谓青出于蓝而胜于蓝。本篇文章，不会全面铺开Scala所有知识点，而是将大数据分析工程师工作中需要经常使用到的知识点筛选出来，有的放矢的梳理关键知识点，为大数据分析工程师入门做铺路石。

首先，你可能会有疑惑，Scala为什么会如此重要，作者觉得主要有以下三点原因：

1、因为spark 

大部分从事大数据的工程师是先了解Spark进而再去选择学习Scala的，因为Spark是用Scala开发的。现在Spark是大数据领域的杀手级应用框架，只要搭建了大数据平台， 都会大量使用Spark来处理和分析数据，而 要想学好Spark，Scala这一关必须是要过的。顺便说一句，Kafka也是基于Scala开发的。

2、 无缝对接大数据生态组件 

众所周知，大数据生态的大部分组件都是 java 语言开发的。而Scala是一门基于JVM的语言，可以与java无缝混编，因此可以很好地融合到大数据生态圈。

3、适合大数据处理与机器学习 

Scala的语法简洁而富有表达力，更容易掌握。Scala将面向对象与函数式编程相结合，功能强大且简练，非常适合用于处理各种数据。因此，在大数据处理与机器学习中占有重要的地位。

针对大数据分析师必须掌握的scala基础知识，本文的讲解思路如下：

第1部分：scala特性。主要讲解面向对象特性、函数式编程、静态类型、扩展性和并发性。

第2部分： 表达式。 在scala中一切皆为表达式，理解表达式是理解其语法的前提。

第3部分： 方法与函数。 主要讲两者之间的区别和转换。

第4部分：模式匹配。讲解常用的几种模式，并举例说明。

第 5 部分：scala t rait 。讲解特质的基本特性和示例。

第 6 部分：集合操作。 主要针对常用集合和集合函数的讲解和介绍。

第 7 部分：读取数据源。 只针对scala如何通过Source类读取数据源进行简单介绍。

第 8 部分：隐式转换、隐式参数。 主要讲解Java和scala之间的类型转换，以及通过一个实例介绍一下隐式参数的概念。

第 9 部分：正则匹配。 主要讲解如何写正则相关的代码。

第1 0 部分：异常处理。 介绍scala和java的异常有何区别。

第11部分：类型层级。主要介绍scala的类型层级体系。

第12部分：基本数值类型转换。讲解scala与java基本数值类型转换常遇到的问题。

Scala特性

面向对象特性 

Scala是一种纯面向对象的语言，彻底贯彻万物皆对象理念。对象的类型和行为是由类和特质来描述的。Scala引入特质（trait）来改进Java的对象模型，使得可以通过混入特质的方式，扩展类的功能。

函数式编程 

Scala也是一种函数式语言，函数也能当成值来传递。Scala提供了轻量级的语法用以定义匿名函数，支持高阶函数，允许嵌套多层函数，并支持柯里化。Scala的case class及其内置的模式匹配相当于函数式编程语言中常用的代数类型。

静态类型 

Scala拥有一个强大表达能力的类型系统，通过编译时检查，保证代码的安全性和一致性。Scala具备类型推断的特性，这使得开发者可以不去额外标明重复的类型信息，让代码看起来更加整洁易读。

扩展性 

Scala的设计秉承一项事实，即在实践中，某个领域特定的应用程序开发往往需要特定于该领域的语言扩展。Scala提供了许多独特的语言机制，可以以库的形式轻易无缝添加新的语言结构。

数据分析工作

必知必会

在scala中，一切皆为表达式。scala非常推崇表达式语法，因为表达式语法，对函数式编程是非常友好的。对开发者而言，表达式语法，使得代码非常简洁易读。

举个例子，我们在定义方法时，会和声明变量一样，使用等号(=)连接，等号左侧是函数名、参数列表和返回值类型（可以省略），而等号右边便是一个由大括号({})包裹的多行表达式。

表达式，是一定会有返回值的。在java中使用void来声明无返回值的方法，而在scala里，这种情况也会有返回值，会返回一个Unit，这是一个特定的值，表示忽略方法的返回值。

方法与函数

初学scala时，往往会觉得方法和函数的概念有些模糊，在使用中可能会搞不清楚到底该使用方法还是函数。那怎么区分呢？关键是看这个函数是否在类中定义，在类中定义就是方法，所以Scala 方法是类的一部分。Scala 中的函数则是一个完整的对象，可以赋给一个变量。不过，在scala中，方法和函数是可以相互转化的。下面我们重点说下，如何把方法转为函数。

方法转函数

上文中提到任何方法都是在声明一个表达式，所以将方法转为函数也就非常简单了，相当于是把方法指向的表达式，又重新赋给了一个函数变量，这就是显式转化。还有另外一种写法，是通过偏应用函数的方式，将方法转化为一个新的函数，称作隐式转化。

1）隐式转化

val f2 = f1 _

2）显式转化

val f2: (Int) => Int = f1

模式匹配

模式匹配是检查某个值是否匹配某一个模式的机制。它是Java中的 switch 语句的升级版，同样可以用于替代一系列的 if/else 语句，以下介绍几种常用的模式匹配： 常量模式 、变量模式、通配符模式。

常量模式

常量模式匹配，就是在模式匹配中匹配常量。

object ConstantPattern{

def main(args:Array[String]) :Unit = {

//模式匹配结果作为函数返回值

def patternShow(x : Any) = x match {

//常量模式

case 5 => "五"

case true => "真"

case "test" => "字符串"

case null => "null值"

case Nil => "空列表"

//变量模式

case x => "变量"

//通配符模式

case _ => "通配符"

}

}

}

变量模式和通配符模式，都可以匹配任意值，他们之间的区别是，变量模式匹配成功后，该变量中会存储匹配成功的值，在后续的代码中还可以引用，而通配符模式匹配成功后，不能再引用匹配到的值。另外要注意的是，由于模式匹配是按顺序匹配的，因此变量模式和通配符模式要写在表达式的最后面。

类型匹配模式

可以匹配输入变量的类型。

object TypePattern{

def main(args:Array[String]) :Unit = {

//类型匹配模式

def typePattern(t : Any) = t match {

case t : String => "String"

case t : Int => "Intger"

case t : Double => "Double"

case _ => "Other Type"

}

}

}

case class模式

构造器模式指的是，直接在case语句后面接类构造器，匹配的内容放置在构造器参数中。

object CaseClassPattern{

def main(args:Array[String]) :Unit = {

//定义一个Person实例

val p = new Person("nyz",27)

//case class 模式

def constructorPattern(p : Person) = p match {

case Person(name,age) => "name =" + name + ",age =" + age

case _ => "Other"

}

}

}

模式守卫

为了让匹配更加具体，可以使用模式守卫，也就是在模式后面加上 if判断语句。

object ConstantPattern{

def main(args:Array[String]) :Unit = {

//模式匹配结果作为函数返回值

def patternShow(x : Any) = x match {

//模式守卫

case x if(x == 5) => "守卫"

//通配符模式

case _ => "通配符"

}

}

}

Option匹配

在Scala中Option类型样例类用来表示可能存在或也可能不存在的值(Option的子类有Some和None)。Some包装了某个值，None表示没有值。

class OptionDemo {

val map = Map (("a",18),("b",81))

//get方法返回的类型就是Option[Int]

map.get("b") match {

case some(x) => println(x)

case None => println("不存在")

}

}

Scala Trait(特质)

Scala Trait(特质) 相当于 Java 的接口，但实际上它比接口的功能强大。与接口不同的是，它还可以定义属性和方法的实现。

一般情况下Scala的类只能够继承单一父类，但可以使用with关键字混入多个 Trait(特质) 。不过，如果一个scala类没有父类，那么它混入的第一个特质需要使用extends关键字，之后混入的特质使用with关键字。

Trait(特质) 定义的方式与类相似，但它使用的关键字是 trait，如下所示：

trait Equal {

def isEqual(x: Any): Boolean

def isNotEqual(x: Any): Boolean = !isEqual(x)

}

以上特质（Equal）由两个方法组成：isEqual 和 isNotEqual。isEqual 方法没有定义方法的实现，isNotEqual定义了方法的实现。子类继承特质可以实现未被实现的方法。

以下演示了特质的完整实例：

/* 文件名：Test.scala

* author:大数据与人工智能

*/

trait Equal {

def isEqual(x: Any): Boolean

def isNotEqual(x: Any): Boolean = !isEqual(x)

}

class Point(xc: Int, yc: Int) extends Equal {

val x: Int = xc

val y: Int = yc

def isEqual(obj: Any) =

obj.isInstanceOf[Point] &&

obj.asInstanceOf[Point].x == x

}

object Test {

def main(args: Array[String]) {

val p1 = new Point(2, 3)

val p2 = new Point(2, 4)

val p3 = new Point(3, 3)

println(p1.isNotEqual(p2))

println(p1.isNotEqual(p3))

println(p1.isNotEqual(2))

}

}

执行以上代码，输出结果为：

$ scalac Test.scala

$ scala -cp . Test

false

true

true

集合操作

常用集合

通过下面的代码，可以了解常用集合的创建方式

// 定义整型 List，其元素以线性方式存储，可以存放重复对象。

val x = List(1,2,3,4)

// 定义 Set，其对象不按特定的方式排序，并且没有重复对象。

val x = Set(1,3,5,7)

// 定义 Map，把键对象和值对象映射的集合，它的每一个元素都包含一对键对象和值对象。

val x = Map("one" -> 1, "two" -> 2, "three" -> 3)

// 创建两个不同类型元素的元组，元组是不同类型的值的集合

val x = (10, "Bigdata")

// 定义 Option，表示有可能包含值的容器，也可能不包含值。

val x:Option[Int] = Some(5)

集合函数

工作中操作 Scala 集合时，一般会进行两类操作：转换操作（transformation ）和行动操作（action）。第一种操作类型将集合转换为另一个集合，第二种操作类型返回某些类型的值。

1）最大值和最小值

先从行动函数开始。在序列中查找最大或最小值是一个极常见的需求。

先看一下简单的例子。

val numbers = Seq(11, 2, 5, 1, 6, 3, 9)

numbers.max //11

numbers.min //1

对于这种简单数据集合，Scala的函数式特性显露无疑，如此简单的取到了最大值和最小值。再来看一个数据集合复杂的例子。

case class Book(title: String, pages: Int)

val books = Seq(

Book("Future of Scala developers", 85),

Book("Parallel algorithms", 240),

Book("Object Oriented Programming", 130),

Book("Mobile Development", 495)

)

//下面代码返回Book(Mobile Development,495)

books.maxBy(book => book.pages)

//下面代码返回Book(Future of Scala developers,85)

books.minBy(book => book.pages)

minBy & maxBy方法解决了复杂数据的问题。

2）筛选-Filter

对集合进行过滤，返回满足条件的元素的新集合，比如过滤一组数据中的偶数。

val numbers = Seq(1,2,3,4,5,6,7,8,9,10)

numbers.filter(n => n % 2 == 0)

//上面返回Seq(2,4,6,8,10)

获取页数大于300页的书。

val books = Seq(

Book("Future of Scala developers", 85),

Book("Parallel algorithms", 240),

Book("Object Oriented Programming", 130),

Book("Mobile Development", 495)

)

books.filter(book => book.pages >= 300)

//上面返回Seq(Book("Mobile Development", 495))

还有一个与 filter类似的方法是 filterNot，也就是筛选出不满足条件的对象。

3）Flatten

它的作用是将多个集合展开，组成一个新的集合，举例说明。

val abcd = Seq('a', 'b', 'c', 'd')

val efgj = Seq('e', 'f', 'g', 'h')

val ijkl = Seq('i', 'j', 'k', 'l')

val mnop = Seq('m', 'n', 'o', 'p')

val qrst = Seq('q', 'r', 's', 't')

val uvwx = Seq('u', 'v', 'w', 'x')

val yz = Seq('y', 'z')

val alphabet = Seq(abcd, efgj, ijkl, mnop, qrst, uvwx, yz)

alphabet.flatten

执行后返回下面的集合：

List('a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j', 'k', 'l', 'm', 'n', 'o', 'p', 'q', 'r', 's', 't', 'u', 'v', 'w', 'x', 'y', 'z')

4） 集合运算 函数

集合运算即差集、交集和并集操作。

val num1 = Seq(1, 2, 3, 4, 5, 6)

val num2 = Seq(4, 5, 6, 7, 8, 9)

//返回List(1, 2, 3)

num1.diff(num2)

//返回List(4, 5, 6)

num1.intersect(num2)

//返回List(1, 2, 3, 4, 5, 6, 4, 5, 6, 7, 8, 9)

num1.union(num2)

//合并后再去重，返回List(1, 2, 3, 4, 5, 6, 7, 8, 9)

num1.union(num2).distinct

5）map函数

map 函数的逻辑是遍历集合并对每个元素调用传入的函数进行处理。

val numbers = Seq(1,2,3,4,5,6)

//返回List(2, 4, 6, 8, 10, 12)

numbers.map(n => n * 2)

val chars = Seq('a', 'b', 'c', 'd')

//返回List(A, B, C, D)

chars.map(ch => ch.toUpper)

6）flatMap

它将map & flatten组合起来，请看下面的操作。

val abcd = Seq('a', 'b', 'c', 'd')

//List(A, a, B, b, C, c, D, d)

abcd.flatMap(ch => List(ch.toUpper, ch))

从结果可以看出来是先做的map，然后做的flatten

7）forall & exists

forall是对整个集合做判断，当集合中的所有元素都满足条件时，返回true。而exists则是只要有一个元素满足条件就返回true。

val numbers = Seq(3, 7, 2, 9, 6, 5, 1, 4, 2)

//返回ture

numbers.forall(n => n < 10)

//返回false

numbers.forall(n => n > 5)

//返回true

numbers.exists(n => n > 5)

读取数据源

读取外部数据源是开发中很常见的需求，如在程序中读取外部配置文件并解析，获取相应的执行参数。这里只针对scala如何通过Source类读取数据源进行简单介绍。

import scala.io.Source

object ReadFile {

//读取ClasPath下的配置文件

val file = Source.fromInputStream(this.getClass.getClassLoader.getResourceAsStream("app.conf"))

//一行一行读取文件,getLines()表示读取文件所有行

def readLine: Unit ={

for(line <- file.getLines()){

println(line)

}

}

//读取网络上的内容

def readNetwork: Unit ={

val file = Source.fromURL("http://www.baidu.com")

for(line <- file.getLines()){

println(line)

}

}

//读取给定的字符串-多用于调试

val source = Source.fromString("test")

}

隐式转换

隐式转换是Scala中一种非常有特色的功能，是其他编程语言所不具有的，可以实现将某种类型的对象转换为另一种类型的对象。数据分析工作中，最常使用到的就是java和scala集合之间的互相转换，转换以后就可以调用另一种类型的方法。scala提供了scala.collection.JavaConversions类，只要引入此类中相应的隐式转化方法，在程序中就可以用相应的类型来代替要求的类型。

如通过以下转换，scala.collection.mutable.Buffer自动转换成了java.util.List。

import scala.collection.JavaConversions.bufferAsJavaList

scala.collection.mutable.Buffer => java.util.List

同样，java.util.List也可以转换成scala.collection.mutable.Buffer。

import scala.collection.JavaConversions.asScalaBuffer

java.util.List => scala.collection.mutable.Buffer

所有可能的转换汇总如下，双向箭头表示可互相转换，单箭头则表示只有左边可转换到右边。

import scala.collection.JavaConversions._

scala.collection.Iterable <=> java.lang.Iterable

scala.collection.Iterable <=> java.util.Collection

scala.collection.Iterator <=> java.util.{ Iterator, Enumeration }

scala.collection.mutable.Buffer <=> java.util.List

scala.collection.mutable.Set <=> java.util.Set

scala.collection.mutable.Map <=> java.util.{ Map, Dictionary }

scala.collection.concurrent.Map <=> java.util.concurrent.ConcurrentMap

scala.collection.Seq => java.util.List

scala.collection.mutable.Seq => java.util.List

scala.collection.Set => java.util.Set

scala.collection.Map => java.util.Map

java.util.Properties => scala.collection.mutable.Map[String, String]

隐式参数

所谓隐式参数，指的是在函数或者方法中，定义使用implicit修饰的参数。当调用该函数或方法时，scala会尝试在变量作用域中找到一个与指定类型相匹配的使用implicit修饰的对象，即隐式值，注入到函数参数中函数体使用。示例如下：

class SayHello{

def write(content:String) = println(content)

}

implicit val sayHello=new SayHello

def saySomething(name:String)(implicit sayHello:SayHello){

sayHello.write("Hello," + name)

}

saySomething("Scala")

//打印 Hello,Scala

值得注意的是，隐式参数是根据类型匹配的，因此作用域中不能同时出现两个相同类型的隐式变量，否则编译时会抛出隐式变量模糊的异常。

正则匹配

正则的概念、作用和规则都在上一篇《大数据分析工程师入门--1.Java基础》中已经完整的讲述了，这里将通过示例来讲解下在scala中正则相关代码怎么写：

定义

val TEST_REGEX = "home\\*(classification|foundation|my_tv)\\*[0-9-]{0,2}([a-z_]*)".r

使用

//path是用来匹配的字符串

TEST_REGEX findFirstMatchIn path match {

case Some(p) => {

//获取TEST_REGEX中的第一个括号里正则片段匹配到的内容

launcher_area_code = p.group(1)

//获取TEST_REGEX中的第二个括号里正则片段匹配到的内容

launcher_location_code = p.group(2)

}

}

异常处理

学习过Java的同学对异常一定并不陌生，异常通常是程序执行过程中遇到问题时，用来打断程序执行的重要方式。关于异常处理的注意事项，在上一讲《大数据分析工程师入门--1.Java基础》里已经讲过了，这里就不再赘述了。我们重点来讲下scala和java在异常这个特性的设计上的不同。

1. 捕获异常的方式略有不同

java中是通过多个catch子句来捕获不同类型的异常，而在scala中是通过一个catch子句，加上模式匹配的类型匹配方式来捕获不同类型的异常。如下图所示：

2.scala没有checked异常

在java中，非运行时异常在编译期是会被强制检查的，要么写try...catch...处理，要么使用throws关键字，将异常抛给调用者处理。而在scala中，更推崇通过使用函数式结构和强类型来减少对异常及其处理的依赖。因此scala不支持检查型异常（checked exception）。

当使用scala调用java类库时，scala会把java代码中声明的异常，转换为非检查型异常。

3.scala在throw异常时是有返回值的

在scala的设计中，所有表达式都是有返回值的。那么，自然throw表达式也不例外，throw表达式的返回值为Nothing。由于Nothing类型是所有类型的子类型，因此throw表达式可以出现在任意位置，而不会影响到类型的推断。

类型层级

在scala中，所有的值都是有类型的，包括数值型值和函数，比java更加彻底地贯彻了万物皆对象的理念。因此，scala有一套自己的类型层级，如下图所示：

（图片来自于网络）

如图中所示，scala的顶级类是Any，下面包含两个子类，AnyVal和AnyRef，其中AnyVal是所有值类型的父类，其中包含一个特殊的值Unit；而AnyRef是所有引用类型的父类，所有java类型和非值类型的scala类型都是它的子类。其中，有两个比较特殊的底层子类型，一个是Null，它是所有引用类型的子类型，可以赋给任何引用类型变量；另一个是Nothing，它是所有类型的子类，因此既可以赋给引用类型变量，也可以赋给值类型变量。

基本数值类型转换

在scala中，通常会自动进行java和scala之间基本数值类型的转换，并不需要单独去处理。所以，在我们的感受中，通常java和scala的基本数据类型是可以无缝衔接的。但是，有一种情况是例外的，那就是当你引用第三方的java类库，而在它的代码中接收参数是Object类型，之后又对传入对象的实际数值类型做判断时，通常会失败报错。

原因很简单，第三方java类库，使用java语言编写，它只认得java的类型。当接收参数为Object类型时，scala默认不会转换成java的数值类型，这样当判断对象的具体数值类型时，会出现不认识scala对象类型的异常。

解决方案也很简单，只需要在传入第三方类库方法前，手动包装成java类型即可。以下是代码示例，本例演示了DBUtils类库传入scala类型时的处理，只展示了部分代码：

//由于java和scala中的类型短名称重名，为避免歧义，进行了重命名

import java.lang.{Long => JLong, Double => JDouble}

//conn为数据库连接，sql为要执行的 SQL 语句

queryRunner.update(conn, sql, new JLong(1L), new JDouble(2.2))

总结

本文结合实际工作经验，把scala中最常用到的一些知识点进行了梳理，要想成为一名初级大数据分析工程师，这些知识是必须要掌握的。但是，由于篇幅有限，有些知识点未能展开来详细讲解，需要大家自己再多花一些时间，去全面学习下。如果你正在准备面试，希望本文的梳理，可以帮到你。

参考文献：

[1] 《Scala程序设计》第二版，作者：Dean Wampler, Alex Payne，王渊、陈明译

[2]  Scala官方文档，网址：https://docs.scala-lang.org/tour/tour-of-scala.html

-END-