Spark-RDD详解

SPARK–RDD

1、RDD的介绍

• RDD 弹性分布式数据集合
  • 是Spark中的一种数据类型，管理spark的内存数据 [1,2,3,4]
    • spark中还有dataframe，dataset类型
    • 拓展：开发中可以通过类的形式自定以数据类型
    • 同时还提供各种计算方法
• 弹性
  • 可以对海量数据根据需求分成多份（分区），每一份数据会有对应的task线程执行计算
  • [1,2,3,4,5,6]
    • [[1,2],[3,4],[5,6]]
• 分布式
  • 利用集群中多台机器资源进行计算
• 数据集合
  • 规定数据形式 类似Python中的列表 []

2、RDD的特性

• 分区
  • 可以将计算的海量数据分成多份，需要分成多少可分区可以通过方法指定
  • 每个分区都可以对应一个task线程执行计算
• 只读
  • rdd中的数据不能直接修改，需要通过方法计算后得到一个新的rdd
  • rdd本身存储的数只能读取
• 依赖
  • rdd之间是有依赖关系的
  • 新的rdd是通过旧的rdd计算得到
• 缓存
  • 可以将计算的中结果缓存起来，如果后续计算错误时，可以从缓存位置重新计算
  • 将数据存储在内存或本地磁盘
  • 作用是容错
  • 缓存在执行计算任务程序结束后会释放删除
• checkpoint
  • 作用和缓存一样
  • checkpoint可以将数据存储在分布式存储系统中，比如hdfs

3、创建RDD数据

将需要计算的数据转为rdd的数据，就可以利用spark的内存计算方法进行分布式计算操作，这些计算方法就是有rdd提供的
rdd数据的转发方法是有sparkcontext提供的，所以需要先生成sparkcontext，
SparkContext称为Spark的入口类

3.1、Python数据转化为rdd

只要是能被遍历的，都能转化为RDD数据

# 导入sparkcontext
from pyspark import SparkContext

# 创建SparkContext对象
sc = SparkContext()

# 将Python数据转为rdd
# data_int = 10  # 数值类型不能转化rdd
# 能for循环遍历的数据都能转为rdd
data_str = 'abc'
data_list = [1, 2, 3, 4]
data_dict = {'a': 1, 'b': 2}
data_set = {1, 2, 3, 4}
data_tuple = (1, 2, 3, 4)
rdd = sc.parallelize(data_tuple)
# rdd的数据输出展示
# 获取所有rdd数据
res = rdd.collect()
print(res)

3.2、文件数据（hdfs）转化为rdd

8020是namenode默认的端口号

# 将读取的hdfs文件数据转为rdd
from pyspark import SparkContext

# 生成SparkContext类对象
sc = SparkContext()

# 读取文件数据转为rdd
rdd1  = sc.textFile('hdfs://node1:8020/data') # 8020是namenode端口号？
# 读取目录下的所有文件  简写如果报错就写全写，也就是上面的内容
rdd3 = sc.textFile('/data')
# 只读取单独文件
rdd2  = sc.textFile('/data/words.txt')

# 查看数据
res = rdd1.collect()
print(res)
res = rdd2.collect()
print(res)

3.3、rdd的分区

python数据转发的分区数指定
# RDD分区使用
# 导入sparkcontext
from pyspark import SparkContext

# 创建SparkContext对象
sc = SparkContext()

# 创建生成rdd是可以指定分区数
# Python数据转为rdd指定
# numSlices 可以指定分区数
rdd_py = sc.parallelize([1,2,3,4,5,6],numSlices=10)

# 查看rdd分区数据
res1  = rdd_py.glom().collect()
print(res1)

读取的文件数据进行分区数指定
# RDD分区使用
# 导入sparkcontext
from pyspark import SparkContext

# 创建SparkContext对象
sc = SparkContext()

# 创建生成rdd是可以指定分区数
# file文件读取数据指定分区数据
# minPartitions 指定分区
# 文件大小/分区数  = 值 -----余数
# 余数/值 * 100%=百分比    百分比大于10% 会多创建一个分区
rdd_file = sc.textFile('hdfs://node1:8020/data',minPartitions=1)
# 在spark并行度部分会讲解如何根据资源设置分区数

# rdd计算

# 查看rdd分区数据

res2  = rdd_file.glom().collect()
print(res2)

3.3.3、小文件数据读取

一个分区对应一个task线程，当小文件过多时，会占用大量的线程，造成资源浪费

使用wholeTextFiles方法可以解决
该方法会现将读取到的数据合并在一起，然后重新进行分区

# 导入sparkcontext
from pyspark import SparkContext

# 创建SparkContext对象
sc = SparkContext(master='yarn')
# rdd = sc.textFile('hdfs://node1:8020/data')
# rdd计算
# wholeTextFiles 会合并小文件数据
# minPartitions 指定分区数
rdd_mini = sc.wholeTextFiles('hdfs://node1:8020/data',minPartitions=1)

# 展示数据
# res1 = rdd.glom().collect()
# print(res1)

res2 = rdd_mini.glom().collect()
print(res2)

4、常用RDD算子

4.1、 算子（方法）介绍

rdd中封装了各种算子方便进行计算，主要分为两类

• transformation
  • 转化算子 对rdd数据进行转化计算得到新的rdd ，定义了一个线程任务
• action
  • 执行算子 触发计算任务，让计算任务进行执行，得到结果
  • 触发线程执行的

4.2、常用transformation算子

• map
  • rdd.map(lambda 参数:参数计算)
  • 参数接受每个元素数据
• flatMap
  • 处理的是二维嵌套列表数据 [[1,2,3],[4,5,6],[7,8,9]]
  • rdd.flatMap(lambda 参数:[参数计算])
• fliter
  • rdd.filter(lambda 参数:参数条件过滤)
  • 条件过滤的书写和Python中if判断一样