[Spark]-RDD之创建

Posted 2020-11-20 nightpxy

1.RDD的创建
　　1.1 从一个本地的Scala集合创建　　

　　//声明一个本地集合
　　val data = Array(1, 2, 3, 4, 5)

　　val distData = sc.parallelize(data)

　　/**
　　*分布式数据集,有一个重要参数就是数据分片数量(Spark会在每一个分片跑一个task)
　　*本地集合创建,默认情况,Spark会根据你的集群数量自动设置分片数
　　*也可以手动指定这个数据集的分片(第二个参数)
　　*/
　　//val distData = sc.parallelize(data, 10)

　　//一旦分布式数据集创建完毕,这个数据集就可以并行的被操作
　　distData.reduce((a, b) => a + b)

　　1.2 从一个外部的存储系统中创建

　　　  这里外部系统,指的是任何Hadoop(InputFormat)支持的存储系统.比如本地文本文件,HDFS,HBase,S3等等

　　　　1.2.1 textFile　　　　　　　

　　　　val distFile = sc.textFile("hdfs://hadoop000:9000/xxx/data.txt")
            
      /**
      *这里纯粹的本地文件是不推荐的
      *因为这个文件访问是针对每一个Worker都要是能访问的
      *  换言之,如果是本地文件,则必须保证每一个Worker的本地都有一份这个文件
      */
      //val distFile = sc.textFile("/data.txt")
            
      /**
      *Spark支持文件目录,压缩文件,或者通配符等
      */
      //val distFile = sc.textFile("hdfs://hadoop000:9000/xxx/*.gz")
            
      /**
     *对于外部文件,Spark会按照128M(HDFS默认),来进行分区
     *这里依然可以手动设置分区数.但要注意的是手动设置的分区数必须要大于默认分区数
     *  即只允许分的更小,但不能分得更大
     */
     //val distFile = sc.textFile("hdfs://hadoop000:9000/xxx/*.txt",10)
            
     distFile.map(s => s.length).reduce((a, b) => a + b)

　　　　1.2.2 wholeTextFiles

　　　　　　wholeTextFiles是用来读取某个文件目录下的多个小文件的.

　　　　　　与textFile的区别是,

　　　　　　　　textFile 以行断符为分割.一个记录就是一行

　　　　　　　　wholeTextFiles 是以文件为分割,一个记录就是一个文件内的全部内容

　　　　　　wholeTextFiles的默认情况,可能导致分区数太小.这时可以手动设置调高分区数

　　　   1.2.3 sequenceFile[K, V]

　　　　　　将数据集中的元素以Hadoop Sequence文件的形式保存到指定的本地文件系统、HDFS或其它Hadoop支持的文件系统中。

　　　　　　该操作只支持对实现了Hadoop的Writable接口的键值对RDD进行操作。

　　　　　　在Scala中，还支持隐式转换为Writable的类型（Spark包括了基本类型的转换，例如Int、Double、String等等)

　　　   1.2.4 hadoopRDD

　　　　　对于其它的Hadoop InputFormats,可以hadoopRDD读取.

　　　　   传入JobConf,input format class,key class and value class(与MapReduce任务设置相同),就可以直接以MapReduce作为输入源进行读取

　　　　　newAPIHadoopRDD

　　　   1.2.5 saveAsObjectFile

　　　　　将数据集中的元素以简单的Java序列化的格式写入指定的路径。这些保存该数据的文件，可以使用SparkContext.objectFile()进行加载