spark入门（1）

1. RDD

1.1 RDD的定义

RDD：resilient distributed dataset 弹性分布式数据集

• dataset：数据封装到集合中
• distributed：分布式存储数据
• resilient：数据优先存储在内存中，如果内存空间不足，再溢写到磁盘中

1.2 RDD的特点

• 分布式存储：数据分区
• 内存优先：内存 > 磁盘
• 数据可靠性：血统机制

2 编程细节

2.2 编程规范

• 类名：大写字母开头
• 字段名/成员名：小写字母开头

2.3 快捷键

• 格式化代码：ctrl+alt+L
• 自动补齐代码：ctrl+J
• 注释代码：ctrl+/

2.1 构建工程步骤

• 新建空项目（New-Project）
  
  
• 新建模块（New-Module-Maven）
  
  
• 配置pom.xml文件
  在已有内容的中间中插入以下内容，其中关于spark.version和scala.version视情况指定。

    
        2.4.5
        2.11
    
    
        
            nexus-aliyun
            Nexus aliyun
            http://maven.aliyun.com/nexus/content/groups/public
        
    

    
        
            org.apache.spark
            spark-core_${scala.version}
            ${spark.version}
        
        
            org.apache.spark
            spark-streaming_${scala.version}
            ${spark.version}
        
        
            org.apache.spark
            spark-sql_${scala.version}
            ${spark.version}
        
        
            org.apache.spark
            spark-hive_${scala.version}
            ${spark.version}
        
        
            org.apache.spark
            spark-mllib_${scala.version}
            ${spark.version}
        

    

    
        

            
                org.scala-tools
                maven-scala-plugin
                2.15.2
                
                    
                        
                            compile
                            testCompile
                        
                    
                
            

            
                maven-compiler-plugin
                3.6.0
                
                    1.8
                    1.8
                
            

            
                org.apache.maven.plugins
                maven-surefire-plugin
                2.19
                
                    true
                
            

        
    

• 构建工程目录结构
  
• 创建包（Package）
  
• 创建代码文件