02创建RDD(集合本地文件HDFS文件)

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了02创建RDD(集合本地文件HDFS文件)相关的知识,希望对你有一定的参考价值。

Spark Core提供了三种创建RDD的方式,包括:使用程序中的集合创建RDD;使用本地文件创建RDD;使用HDFS文件创建RDD。

1、并行化集合

如果要通过并行化集合来创建RDD,需要针对程序中的集合,调用SparkContext的parallelize()方法。Spark会将集合中的数据拷贝到集群上去,形成一个分布式的数据集合,也就是一个RDD。相当于是,集合中的部分数据会到一个节点上,而另一部分数据会到其他节点上。然后就可以用并行的方式来操作这个分布式数据集合,即RDD。
 
// 案例:1到10累加求和
val arr = Array(1, 2, 3, 4, 5, 6, 7, 8, 9, 10)
val rdd = sc.parallelize(arr)
val sum = rdd.reduce(_ + _)
 
调用parallelize()时,有一个重要的参数可以指定,就是要将集合切分成多少个partition。Spark会为每一个partition运行一个task来进行处理。Spark官方的建议是,为集群中的每个CPU创建2~4个partition。Spark默认会根据集群的情况来设置partition的数量。但是也可以在调用parallelize()方法时,传入第二个参数,来设置RDD的partition数量。比如parallelize(arr, 10)

    1.1、Java

package sparkcore;
import java.util.Arrays;
import java.util.List;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.Function2;
/**
 * 并行化集合创建RDD 案例:累加1到10
 */
public class ParallelizeCollection {
    public static void main(String[] args) {
        // 创建SparkConf
        SparkConf conf = new SparkConf().setAppName("ParallelizeCollection").setMaster("local");
        // 创建JavaSparkContext
        JavaSparkContext sc = new JavaSparkContext(conf);
        // 要通过并行化集合的方式创建RDD,那么就调用SparkContext以及其子类,的parallelize()方法
        List<Integer> numbers = Arrays.asList(1, 2, 3, 4, 5, 6, 7, 8, 9, 10);
        JavaRDD<Integer> numberRDD = sc.parallelize(numbers);
        // 执行reduce算子操作
        // 相当于,先进行1 + 2 = 3;然后再用3 + 3 = 6;然后再用6 + 4 = 10。。。以此类推
        int sum = numberRDD.reduce(new Function2<Integer, Integer, Integer>() {
            private static final long serialVersionUID = 1L;
            public Integer call(Integer num1, Integer num2throws Exception {
                return num1 + num2;
            }
        });
        // 输出累加的和
        System.out.println("1到10的累加和:" + sum);
        // 关闭JavaSparkContext
        sc.close();
    }
}

    1.2、Scala

package sparkcore.scala
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
object ParallelizeCollection {
  def main(args: Array[String]) {
    val conf = new SparkConf()
      .setAppName("ParallelizeCollection")
      .setMaster("local")
    val sc = new SparkContext(conf)
    val numbers = Array(12345678910)
    val numberRDD = sc.parallelize(numbers5)
    val sum = numberRDD.reduce(_ + _)
    println("1到10的累加和:" + sum)
  }
}

2、使用本地文件和HDFS创建RDD

    
Spark是支持使用任何Hadoop支持的存储系统上的文件创建RDD的,比如说HDFS、Cassandra、HBase以及本地文件。通过调用SparkContext的textFile()方法,可以针对本地文件或HDFS文件创建RDD。
 
有几个事项是需要注意的:
1、如果是针对本地文件的话,如果是在windows上本地测试,windows上有一份文件即可;如果是在spark集群上针对linux本地文件,那么需要将文件拷贝到所有worker节点上。
2、Spark的textFile()方法支持针对目录、压缩文件以及通配符进行RDD创建。
3、Spark默认会为hdfs文件的每一个block创建一个partition,但是也可以通过textFile()的第二个参数手动设置分区数量,只能比block数量多,不能比block数量少。
 
// 案例:文件字数统计
val rdd = sc.textFile("data.txt")
val wordCount = rdd.map(line => line.length).reduce(_ + _)

Spark的textFile()除了可以针对上述几种普通的文件创建RDD之外,还有一些特列的方法来创建RDD:
1、SparkContext.wholeTextFiles()方法,可以针对一个目录中的大量小文件,返回<filename, fileContent>组成的pair,作为一个PairRDD,而不是普通的RDD。普通的textFile()返回的RDD中,每个元素就是文件中的一行文本。
2、SparkContext.sequenceFile[K, V]()方法,可以针对SequenceFile创建RDD,K和V泛型类型就是SequenceFile的key和value的类型。K和V要求必须是Hadoop的序列化类型,比如IntWritable、Text等。
3、SparkContext.hadoopRDD()方法,对于Hadoop的自定义输入类型,可以创建RDD。该方法接收JobConf、InputFormatClass、Key和Value的Class。
4、SparkContext.objectFile()方法,可以针对之前调用RDD.saveAsObjectFile()创建的对象序列化的文件,反序列化文件中的数据,并创建一个RDD。

    2.1、Java

package sparkcore.java;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.Function;
import org.apache.spark.api.java.function.Function2;
/**
 * 使用本地文件创建RDD 案例:统计文本文件字数
 */
public class LocalFile {
    public static void main(String[] args) {
        // 创建SparkConf
        SparkConf conf = new SparkConf().setAppName("LocalFile").setMaster("local");
        // 创建JavaSparkContext
        JavaSparkContext sc = new JavaSparkContext(conf);
        // 使用SparkContext以及其子类的textFile()方法,针对本地文件创建RDD
        JavaRDD<String> lines = sc.textFile("D:/eclipse-jee-neon-3/workspace/sparkcore-java/test.txt");
        // 统计文本文件内的字数
        JavaRDD<Integer> lineLength = lines.map(new Function<String, Integer>() {
            private static final long serialVersionUID = 1L;
            public Integer call(String v1throws Exception {
                return v1.length();
            }
        });
        int count = lineLength.reduce(new Function2<Integer, Integer, Integer>() {
            private static final long serialVersionUID = 1L;
            public Integer call(Integer v1, Integer v2throws Exception {
                return v1 + v2;
            }
        });
        System.out.println("文件总字数是:" + count);
        // 关闭JavaSparkContext
        sc.close();
    }
}


package sparkcore.java;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.Function;
import org.apache.spark.api.java.function.Function2;
/**
 * 使用HDFS文件创建RDD
 * 案例:统计文本文件字数
 */
public class HDFSFile {
    
    public static void main(String[] args) {
        // 创建SparkConf
        // 修改:去除setMaster()设置,修改setAppName()
        SparkConf conf = new SparkConf()
                .setAppName("HDFSFile"); 
        // 创建JavaSparkContext
        JavaSparkContext sc = new JavaSparkContext(conf);
        
        // 使用SparkContext以及其子类的textFile()方法,针对HDFS文件创建RDD
        // 只要把textFile()内的路径修改为hdfs文件路径即可
        JavaRDD<String> lines = sc.textFile("hdfs://node1:8020/test.txt");
        
        // 统计文本文件内的字数
        JavaRDD<Integer> lineLength = lines.map(new Function<String, Integer>() {
            
            private static final long serialVersionUID = 1L;
            @Override
            public Integer call(String v1) throws Exception {
                return v1.length();
            }
            
        });
        
        int count = lineLength.reduce(new Function2<Integer, Integer, Integer>() {
            private static final long serialVersionUID = 1L;
            @Override
            public Integer call(Integer v1, Integer v2) throws Exception {
                return v1 + v2;
            }
            
        });
        
        System.out.println("文件总字数是:" + count);  
        
        // 关闭JavaSparkContext
        sc.close();
    }
}
    2.2、Scala
package sparkcore.scala
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
object LocalFile {
  def main(args: Array[String]) {
    val conf = new SparkConf()
      .setAppName("LocalFile").setMaster("local");
    val sc = new SparkContext(conf)
    val lines = sc.textFile("D:/eclipse-jee-neon-3/workspace/sparkcore-scala/test.txt"1);
    val count = lines.map { line => line.length() }.reduce(_ + _)
    println("file‘s count is " + count)
  }
}

package sparkcore.scala
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
object HDFSFile {
  def main(args: Array[String]) {
    val conf = new SparkConf()
      .setAppName("HDFSFile").setMaster("local")
    val sc = new SparkContext(conf)
    val lines = sc.textFile("hdfs://node1:8020/test.txt"1);
    val count = lines.map { _.length() }.reduce(_ + _)
    println("file‘s count is " + count)
  }
}





















以上是关于02创建RDD(集合本地文件HDFS文件)的主要内容,如果未能解决你的问题,请参考以下文章

RDD的三种创建方式

RDD的三种创建方式

RDD的三种创建方式

Scala发邮件(带附件,无论是本地文件和hdfs文件或df或rdd)

Spark RDD

Spark 编程模型(中)

(c)2006-2024 SYSTEM All Rights Reserved IT常识