Spark RDD的创建

---

一、RDD为何物

（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。分布式数据集是指一个数据集存储在不同的节点上，每个节点存储数据集的一部分。

传统的MapReduce虽然具有自动容错、平衡负载和可拓展性的优点，但是其最大缺点是采用非循环式的数据流模型，使得在迭代计算式要进行大量的磁盘IO操作。Spark中的RDD可以很好的解决这一缺点。RDD是Spark提供的最重要的抽象概念，我们可以将RDD理解为一个分布式存储在集群中的大型数据集合，不同RDD之间可以通过转换操作形成依赖关系实现管道化，从而避免了中间结果的I/O操作，提高数据处理的速度和性能。

（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

RDD是不可变的，但可以将RDD转换成新的RDD进行操作。

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。

对RDD进行操作，相当于对RDD的每个分区进行操作。

RDD拥有一系列对分区进行计算的函数，称为算子。

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

单词用空格分隔

2、启动HDFS服务

执行命令：start-dfs.sh

3、上传文件到HDFS

将test.txt上传到HDFS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（既可以读取本地文件，也可以读取HDFS文件）
查看Spark Shell的WebUI界面：http://master:4040/jobs/

查看执行器

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）通过并行集合创建RDD

Spark可以通过并行集合创建RDD。即从一个已经存在的集合、数组上，通过SparkContext对象调用parallelize()或makeRDD()方法创建RDD。

1、利用parallelize()方法创建RDD

执行命令：val rdd = sc.parallelize(List(1, 2, 3, 4, 5, 6, 7, 8))
执行命令：val rdd = sc.parallelize(Array(100, 300, 200, 600, 500, 900))

说明：不能基于Map、Tuple和Set来创建RDD

2、利用makeRDD()方法创建RDD

执行命令：val rdd = sc.makeRDD(List(1, 2, 3, 4, 5, 6, 7, 8))
执行命令：rdd.collect()，收集rdd数据进行显示

其实，行动算子[action operator]collect()的括号可以省略的

思考题：取出rdd中的偶数

下一节，我们会详细学习RDD算子（转换算子和行动算子）

3、简单说明

从上述命令执行的返回信息可以看出，上述创建的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可以从Hadoop支持的任何存储源中加载数据去创建RDD，包括本地文件系统和HDFS等文件系统。我们通过Spark中的SparkContext对象调用textFile()方法加载数据创建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。

先前我们以本地模式启动了Spark Shell，既可以访问本地文件，也可以访问HDFS文件。

1、从文件系统加载数据创建RDD

执行命令：val rdd = sc.textFile("file:///home/test.txt")

注意：访问本地文件，必须加file://前缀，否则系统会认为是访问hdfs://master:9000/home/test.txt，从而会报错。

执行命令：val lines = rdd.collect，查看RDD中的内容，保存到常量lines
执行命令：lines.foreach(println)（利用foreach遍历算子）

执行命令：for (line <- lines) println(line)

课堂练习：给输出数据添加行号

利用for循环来实现

利用foreach遍历算子来实现

2、从HDFS中加载数据创建RDD

执行命令：val rdd = sc.textFile("hdfs://master:9000/park/test.txt")

执行命令：val lines = rdd.collect，查看RDD中的内容

获取包含spark的行，执行命令：val sparkLines = rdd.filter(line => line.contains("spark"))（filter是一个转换算子[transformation operator]）
其实，有更简单的写法，执行命令：val sparkLines = rdd.filter(_.contains("spark"))

利用遍历算子显示sparkLines内容

四、读取文件的问题

（一）以集群方式启动Spark Shell

执行命令：spark-shell --master spark://master:7077

1、读取本地文件

执行命令：val rdd = sc.textFile("file:///home/test.txt")
执行命令： rdd.collect，报错 - Input path does not exist: hdfs://master:9000/home/test.txt

结论：集群模式启动的Spark Shell不能读取本地文件

2、读取HDFS文件

执行命令：val rdd = sc.textFile("hdfs://master:9000/park/test.txt")
结论：默认就是访问HDFS上的文件，因此 hdfs://master:9000 前缀可以不写

（二）以本地模式启动Spark Shell

执行命令：spark-shell --master local[*]

1、读取本地文件

执行命令：val rdd = sc.textFile("file:///home/test.txt")
执行命令：val rdd = sc.textFile("/home/test.txt")

结论：本地模式启动的Spark Shell，默认读取的依然是HDFS文件，要访问本地文件，必须加file://前缀

2、访问HDFS文件

执行命令：val rdd = sc.textFile("hdfs://master:9000/park/test.txt")

执行命令：val rdd = sc.textFile("/park/test.txt")

结论：默认就是访问HDFS文件，因此加不加hdfs://master:9000前缀都是一样的效果

（三）结论

无论以本地模式还是以集群模式启动Spark Shell，都可以访问HDFS文件。集群模式启动的Spark Shell，不能访问本地文件，只能访问HDFS文件，加不加hdfs://master:9000前缀都是一样的效果。如果访问本地文件，必须以本地模式启动Spark Shell，而且还必须加file://前缀。总之，Spark Shell默认都是访问HDFS文件。