Spark大数据处理学习笔记（3.1）掌握RDD的创建

文章目录

一、准备工作
1.1 准备文件
1.1.1 准备本地系统文件
在/home目录里创建test.txt

单词用空格分隔

1.1.2 启动HDFS服务
执行命令：start-dfs.sh

1.1.3 上传文件到HDFS
将test.txt上传到HDFS的/park目录里

查看文件内容

1.2 启动Spark Shell
1.2.1 启动Spark服务
执行命令：start-all.sh

1.2.2 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

查看执行器

二、创建RDD
2.1 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。
2.1.1 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
2.1.2 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

思考题：取出rdd中的偶数

2.2 从外部存储创建RDD
2.2.1 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.collec，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）

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

2.2.2 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(_.contains(“spark”))

利用遍历算子显示sparkLines内容

三、读取文件的问题
3.1 以集群方式启动Spark Shell
执行命令：spark-shell --master spark://master:7077

3.1.1 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
3.1.2 读取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上的文件，因此hdfs://master:9000前缀可以不写
3.2 以本地模式启动Spark Shell
执行命令：spark-shell --master local[*]

3.2.1 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
3.2.2 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文件。