RDD用法
1. RDD概述
1.1 什么是RDD
-
RDD(Resilient Distributed Dataset)叫做弹性分布式数据集,是Spark中最基本的数据处理模型。代码中是一个抽象类,它代表一个弹性的、不可变、可分区、里面的元素可并行计算的集合。
-
弹性
- 存储的弹性:内存与磁盘的自动切换;
- 容错的弹性:数据丢失可以自动恢复;
- 计算的弹性:计算出错重试机制;
- 分片的弹性:可根据需要重新分片。
-
分布式:数据存储在大数据集群不同节点上
-
数据集:RDD封装了计算逻辑,并不保存数据
-
数据抽象:RDD是一个抽象类,需要子类具体实现
-
不可变:RDD封装了计算逻辑,是不可以改变的,想要改变,只能产生新的RDD,在新的RDD里面封装计算逻辑
-
可分区、并行计算
1.2 核心属性
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-LyrdSbTB-1655395995529)(assets/1650981714219.png)]
1.2.1 概述
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ox8AWUAK-1655395995530)(assets/1650981280679.png)]
1.2.2 分区列表
-
RDD数据结构中存在分区列表,用于执行任务时并行计算,是实现分布式计算的重要属性。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-y0cHpLrB-1655395995530)(assets/1650981426518.png)]
1.2.3 分区计算函数
-
Spark在计算时,是使用分区函数对每一个分区进行计算
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-qlvPW8n5-1655395995531)(assets/1650981448318.png)]
1.2.4 RDD之间的依赖关系
-
RDD是计算模型的封装,当需求中需要将多个计算模型进行组合时,就需要将多个RDD建立依赖关系
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-XxXLNsqN-1655395995532)(assets/1650981472945.png)]
1.2.5 分区器(可选)
-
当数据为KV类型数据时,可以通过设定分区器自定义数据的分区
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-LJniYOr6-1655395995533)(assets/1650981483175.png)]
1.2.6 首选位置(可选)
- 计算数据时,可以根据计算节点的状态选择不同的节点位置进行计算,移动数据不如移动程序
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-lzN4i57M-1655395995534)(assets/1650981496012.png)]
2. wordcount实例分析
2.1 概述
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-s4YzNESm-1655395995535)(assets/1650981714219.png)]
2.2 代码实现
package com.gec.demo
import org.apache.spark.rdd.RDD
import org.apache.spark.{
SparkConf, SparkContext}
object Spark_WordCount {
def main(args: Array[String]): Unit = {
//TODO 0.env/创建环境
val conf: SparkConf = new SparkConf().setAppName("wordcount").setMaster("local[*]")
val sc: SparkContext = new SparkContext(conf)
val lines: RDD[String] = sc.textFile("data/word.txt")
val words: RDD[String] = lines.flatMap(_.split(" "))
val wordToOne: RDD[(String, Int)] = words.map((_,1))
val result: RDD[(String, Int)] = wordToOne.reduceByKey(_+_)
// 将统计结果打印在控制台上
result.collect().foreach(println)
}
}
3. 基础编程
3.1 RDD创建
- 在Spark中创建RDD的创建方式可以分为四种:
3.1.1 从集合(内存)中创建RDD
-
从集合中创建RDD,Spark主要提供了两个方法:parallelize和makeRDD
val sparkConf =new SparkConf().setMaster("local[*]").setAppName("spark") val sparkContext = new SparkContext(sparkConf) val rdd1 = sparkContext.parallelize( List(1,2,3,4) ) val rdd2 = sparkContext.makeRDD( List(1,2,3,4) ) rdd1.collect().foreach(println) rdd2.collect().foreach(println) sparkConte