1 什么是RDD
RDD(Resilient Distributed Dataset)叫做弹性分布式数据集,是Spark中最基本的数据抽象。代码中是一个抽象类,它代表一个不可变、可分区、里面的元素可并行计算的集合。
分布式数据集
RDD是只读的、分区记录的集合,每个分区分布在集群的不同节点上
RDD并不存储真正的数据,只是对数据和操作的描述
弹性
RDD默认存放在内存中,当内存不足,Spark自动将RDD写入磁盘
容错性
根据数据血统,可以自动从节点失败中恢复分区
简单的解释
RDD是将数据项拆分为多个分区的集合,存储在集群的工作节点上的内存和磁盘中,并执行正确的操作
复杂的解释
RDD是用于数据转换的接口
RDD指向了存储在HDFS、Cassandra、HBase等、或缓存(内存、内存+磁盘、仅磁盘等),或在故障或缓存收回时重新计算其他RDD分区中的数据
2. RDD的创建
在Spark中创建RDD的创建方式可以分为三种,内存集合、外部、其他RDD算子操作后的返回值。
使用parallelize()从集合创建
默认按照setMaster中设置的核数进行分区,但是也可以在parallelize(…,x)中x指定分区数
object Spark02 {
def main(args: Array[String]): Unit = {
//1.创建SparkConf并设置App名称,使用本地模式开启两核
val conf = new SparkConf().setMaster("local[2]").setAppName("myjob")
//2.创建SparkContext,该对象是提交Spark App的入口
val sc = new SparkContext(conf)
//虽然开了多核,但是只有一个分区,所以多核竞争一个分区,并不是并行运算
val rdd1 = sc.parallelize(List(1, 2, 3, 4, 5, 2, 3), 1)
rdd1.foreach(print)//1234523
println()
//本地开了2核,同时分了两个区,所以就会并行运算,打印的结果就是无序的,理论上这是上面运行速度的两倍
val rdd2 = sc.parallelize(List(1, 2, 3, 4, 5, 2, 3), 2)
rdd2.foreach(print)//1425323
println()
//默认用系统给的分区数,这里是两个
val rdd3 = sc.parallelize(List(1, 2, 3, 4, 5, 2, 3))
rdd3.foreach(print)//4152233
println()
print(rdd3.partitions.size)//2
}
}
使用makeRDD()从集合创建
默认按照setMaster中设置的核数进行分区,但是也可以在makeRDD(…,x)中x指定分区数
object Spark03 {
def main(args: Array[String]): Unit = {
//1.创建SparkConf并设置App名称,使用本地模式开启两核
val conf = new SparkConf().setMaster("local[2]").setAppName("myjob")
//2.创建SparkContext,该对象是提交Spark App的入口
val sc = new SparkContext(conf)
//虽然开了多核,但是只有一个分区,所以多核竞争一个分区,并不是并行运算
val rdd1 = sc.makeRDD(List(1, 2, 3, 4, 5, 2, 3), 1)
rdd1.foreach(print)//1234523
println()
//本地开了2核,同时分了两个区,所以就会并行运算,打印的结果就是无序的,理论上这是上面运行速度的两倍
val rdd2 = sc.makeRDD(List(1, 2, 3, 4, 5, 2, 3), 2)
rdd2.foreach(print)//1425323
println()
//为每个集合对象创建一个最佳分区,这里是两个
val rdd3 = sc.makeRDD(List(1, 2, 3, 4, 5, 2, 3))
rdd3.foreach(print)//4152233
println()
print(rdd3.partitions.size)//2
}
}
parallelize和makeRDD的区别
- makeRDD的实现是依赖于parallelize的实现,两者一致;
- makeRDD的底层就是调用的parallelize方法
由外部存储系统的数据集创建
包括本地的文件系统,还有所有Hadoop支持的数据集,比如HDFS、Cassandra、HBase等
默认只创建两个分区,也可以自己指定sc.textFile("",x)中x的数量
object WordCount {
//WordCount
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setMaster("local[*]").setAppName("myjob")
val sc = new SparkContext(conf)
//sc读取本地文件也是创建RDD
sc.textFile("file:///C:\\Users\\wuyanxiang\\study\\hadoop\\spark01\\src\\main\\scala\\njbdqn\\words")
sc.stop()
}
}