Spark学习笔记10:创建RDD

目录

一、什么是RDD

（一）RDD概念

（二）RDD示例

（三）RDD主要特征

二、做好准备工作

（一）准备文件

1、准备本地系统文件

2、启动HDFS服务

3、准备HDFS系统文件

（二）启动Spark Shell

 1、启动Spark服务

 2、启动Spark Shell

 三、创建RDD

（一）从对象集合创建RDD

1、利用parallelize()方法创建RDD

 2、利用makeRDD()方法创建RDD

  3、总结说明

（二）从外部存储创建RDD

1、读取本地系统文件

2、给输出数据添加行号

3、读取HDFS系统文件

---

一、什么是RDD

（一）RDD概念

• Spark提供了一种对数据的核心抽象，称为弹性分布式数据集（Resilient Distributed Dataset，RDD）。这个数据集的全部或部分可以缓存在内存中，并且可以在多次计算时重用。RDD其实就是一个分布在多个节点上的数据集合。

RDD的弹性主要是指当内存不够时，数据可以持久化到磁盘，并且RDD具有高效的容错能力

（二）RDD示例

• 将数据集（hello,world,scala,spark,love,spark, happy）存储在三个节点上，节点一存储（hello,world），节点二存储（scala,spark,love），节点三存储（spark,happy），这样对三个节点的数据可以并行计算，并且三个节点的数据共同组成了一个RDD。
• 分布式数据集类似于HDFS中的文件分块，不同的块存储在不同的节点上；而并行计算类似于使用MapReduce读取HDFS中的数据并进行Map和Reduce操作。Spark则包含这两种功能，并且计算更加灵活。
• 在编程时，可以把RDD看作是一个数据操作的基本单位，而不必关心数据的分布式特性，Spark会自动将RDD的数据分发到集群的各个节点。Spark中对数据的操作主要是对RDD的操作（创建、转化、求值）。
   

（三）RDD主要特征

1. RDD是不可变的，但可以将RDD转换成新的RDD进行操作。
2. RDD是可分区的。RDD由很多分区组成，每个分区对应一个Task任务来执行。
3. 对RDD进行操作，相当于对RDD的每个分区进行操作。
4. RDD拥有一系列对分区进行计算的函数，称为算子。
5. RDD之间存在依赖关系，可以实现管道化，避免了中间数据的存储。

二、做好准备工作

（一）准备文件

1、准备本地系统文件

在/home目录里创建test.txt

2、启动HDFS服务

执行命令：start-dfs.sh

3、准备HDFS系统文件

将test.txt上传到HDFS系统的/park目录里

 

查看文件内容

（二）启动Spark Shell

 1、启动Spark服务

执行命令：start-all.sh

 2、启动Spark Shell

执行命令：spark-shell --master=local[*]

如果以 spark-shell --master spark://master:7077方式启动spark-shell，只能读取HDFS系统上的文件，不能读取本地系统文件，而以spark-shell --master=local[*]方式启动spark-shell，既可以读取本地系统文件，加不加file://都可以，还可以访问HDFS系统上的文件，但是必须加上hdfs://master:9000

 三、创建RDD

RDD中的数据来源可以是程序中的对象集合，也可以是外部存储系统中的数据集，例如共享文件系统、HDFS、HBase或任何提供HadoopInputFormat的数据源。

（一）从对象集合创建RDD

Spark可以通过parallelize()或makeRDD()方法将一个对象集合转化为RDD。

1、利用parallelize()方法创建RDD

 2、利用makeRDD()方法创建RDD

rdd.collect()   ---收集rdd数据进行显示,()可省略

  3、总结说明

RDD中存储的是Int类型的数据。实际上，RDD也是一个集合，与常用的List集合不同的是，RDD集合的数据分布于多台机器上。

（二）从外部存储创建RDD

• Spark的textFile()方法可以读取本地文件系统或外部其他系统中的数据，并创建RDD。不同的是，数据的来源路径不同。

1、读取本地系统文件

查看RDD中的内容，保存到常量lines（collect()方法是RDD的一个行动算子）

利用foreach遍历算子

遍历lines

2、给输出数据添加行号

3、读取HDFS系统文件

执行命令

 

查看RDD中的内容

 

获取包含spark的行

 

 遍历sparkLines