Spark第二课RDD的详解

1.前言

RDD
JAVA中的IO

1.小知识点穿插

1. 装饰者设计模式

装饰者设计模式:本身功能不变,扩展功能.
举例： 数据流的读取
一层一层的包装，进而将功能进行进一步的扩展

2.sleep和wait的区别

本质区别是字体不一样,sleep斜体,wait正常
斜体是静态方法
sleep:静态方法,和对象无关
t1.sleep 当前休眠的不是t1线程,而是调用方法的线程,如果在主线程运行,调用的就是主线程,
与对象无关,得不到对象锁
wait :成员方法 ,与对象相关
t2.wait 当前等待的线程是t2线程
能得到对象锁,能释放.

空指针异常:调用一个为null的对象的成员属性或成员方法,会发生空指针异常,
注意 是成员的 ,如果是静态的,与动态就无关了.

为什么会出现空指针?
报错的时候,给的是.class的位置,不一定完全对应java的问题,
去看字节码Terminal 输入javap -c +名称 -v的话,更详细

intValue是一个成员方法,但是此时age没有赋值,是null, 空对象的成员方法调用

this与super

this是当前方法的局部变量,
super只在编译时出现,this可以在运行时出现

3.关于import *

这个是给javac 用的，让javac自动去找
编译成.class 时，需要什么就导什么，而不是全部都导

2.正题

1.注意点 切片与读取的不同

HADOOP切片逻辑是均分
但是读取数据进行分区保存时,不能均分,
HADOOP是按行读,而不是字节,
为啥HADOOP按行读取,一行就是一个业务数据
但是切片是均分,指的是字节均分

2.hadoop读取按照偏移量读取,同一个数据的偏移量不能被重复读取,也就是必须重来?

5+2+1+2+6 =16
4个分区,能均分
4个分区,读按行读,所以最后一个是空 数据倾斜

2.转换算子

1.是什么？

Transformation转换算子
转换方法
算子是个啥?
认知心理学 解决问题的状态: 初始状态(提出问题) -> 解决 不强调过程

转换:一个东西变成另外一个东西

所谓的转换算子,就是调用RDD对象的功能(方法)转变成一个新RDD

元组，需要先知道一共多少个数据， 默认元组最多为22个
元组是专门用来存放无关数据的，不同数据类型也能存
取的时候

如果元组中元素就两个，称为对偶元组，也称为键值对

RDD不保存(处理后的)数据，RDD是容器，但是容器是工具，存储数据的，是数组，链表，而不是容器

加这个才能将类中的方法可以进行函数式

只需要考虑方法输入输出


因为必须有返回值，马丁知道，所以return 可以省略

想省略参数，得有方法
如果一个整体需要拆分成多个个体，这种操作，叫做扁平化
Flat就是变

3.map

一个输入 一个输出 不能一个输入多个输出

package com.atguigu.core.rdd.transform;

import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;

import java.util.Arrays;
import java.util.List;

public class SparkRDDmap {
    public static void main(String[] args) {
        JavaSparkContext sc = new JavaSparkContext("local[*]","SPARK_mapT");
        List<Integer> dataList = Arrays.asList(1,2,3,4);
        JavaRDD<Integer>  rdd = sc.parallelize(dataList, 3);
        JavaRDD<Integer>  rddMap = rdd.map(in -> in * 2);
        // 用流的形式进行操作
        rddMap.collect().forEach(System.out::println);
        sc.stop();
    }
}

4.flatMap

1.flatMap与Map的区别

map:一个输入，一个输出 做不到一个输入多个输出 也做不到多个输入少个输出
flatmap 扁平化 一个输入 n个输出 n（0和任意正整数）
整体拆成个体，但是每个个体都要使用

注意，这里的return 是泛型（不加也行） ，也可以是迭代器

5.分组

1.注意点 一个组的数据必定在一个分区

分组不是分区,分组是将数据按组划分,是将所有数据重新进行划分,按组成编制,
本来数据是单独放入区中的,而现在的数据,是以组为单位放入区的,而不是说一个分区里面只能有一个组,分组与分区,无关

Spark的分组，一个组的数据放置在一个分区中(把之前的分区聚合了)

组是输出 组内数据是输入
输出 就是分组规则

这种写法，直接. 中间结果不会在内存中留下

奇偶分组，这个的组名是true false
奇偶分组，去掉==0时，组名为0 1

分组过程中，将已分组的数据先放入磁盘，分完组，重新按组分流，动态改变分区数量

默认分区数是不变的，这里主动修改分区数，才改变的