弹性分布式数据集(RDD)
Spark是以RDD概念为中心运行的。RDD是一个容错的、可以被并行操作的元素集合。创建一个RDD有两个方法:在你的驱动程序中并行化一个已经存在的集合;从外部存储系统中引用一个数据集。RDD的一大特性是分布式存储,分布式存储在最大的好处是可以让数据在不同工作节点并行存储,以便在需要数据时并行运算。弹性指其在节点存储时,既可以使用内存,也可已使用外存,为使用者进行大数据处理提供方便。除此之外,RDD的另一大特性是延迟计算,即一个完整的RDD运行任务被分为两部分:Transformation和Action
1.Transformation
Transformation用于对RDD的创建,RDD只能使用Transformation创建,同时还提供大量操作方法,包括map,filter,groupBy,join等,RDD利用这些操作生成新的RDD,但是需要注意,无论多少次Transformation,在RDD中真正数据计算Action之前都不可能真正运行。
2.Action
Action是数据执行部分,其通过执行count,reduce,collect等方法真正执行数据的计算部分。实际上,RDD中所有的操作都是Lazy模式进行,运行在编译中不会立即计算最终结果,而是记住所有操作步骤和方法,只有显示的遇到启动命令才执行。这样做的好处在于大部分前期工作在Transformation时已经完成,当Action工作时,只需要利用全部自由完成业务的核心工作。
下面是在python中对RDD的生成,以及一些基本的Transformation,Action操作。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
|
# -*- coding:utf-8 -*-
from
pyspark
import
SparkContext, SparkConf
from
pyspark.streaming
import
StreamingContext
import
math
appName
=
"jhl_spark_1"
#你的应用程序名称
master
=
"local"
#设置单机
conf
=
SparkConf().setAppName(appName).setMaster(master)
#配置SparkContext
sc
=
SparkContext(conf
=
conf)
# parallelize:并行化数据,转化为RDD
data
=
[
1
,
2
,
3
,
4
,
5
]
distData
=
sc.parallelize(data, numSlices
=
10
)
# numSlices为分块数目,根据集群数进行分块
# textFile读取外部数据
rdd
=
sc.textFile(
"./c2.txt"
)
# 以行为单位读取外部文件,并转化为RDD
print
rdd.collect()
# map:迭代,对数据集中数据进行单独操作
def
my_add(l):
return
(l,l)
data
=
[
1
,
2
,
3
,
4
,
5
]
distData
=
sc.parallelize(data)
# 并行化数据集
result
=
distData.
map
(my_add)
print
(result.collect())
# 返回一个分布数据集
# filter:过滤数据
def
my_add(l):
result
=
False
if
l >
2
:
result
=
True
return
result
data
=
[
1
,
2
,
3
,
4
,
5
]
distData
=
sc.parallelize(data)
#并行化数据集,分片
result
=
distData.
filter
(my_add)
print
(result.collect())
#返回一个分布数据集
# zip:将两个RDD对应元素组合为元组
x
=
sc.parallelize(
range
(
0
,
5
))
y
=
sc.parallelize(
range
(
1000
,
1005
))
print
x.
zip
(y).collect()
#union 组合两个RDD
print
x.union(x).collect()
# Aciton操作
# collect:返回RDD中的数据
rdd
=
sc.parallelize(
range
(
1
,
10
))
print
rdd
print
rdd.collect()
# collectAsMap:以rdd元素为元组,以元组中一个元素作为索引返回RDD中的数据
m
=
sc.parallelize([(
'a'
,
2
), (
3
,
4
)]).collectAsMap()
print
m[
'a'
]
print
m[
3
]
# groupby函数:根据提供的方法为RDD分组:
rdd
=
sc.parallelize([
1
,
1
,
2
,
3
,
5
,
8
])
def
fun(i):
return
i
%
2
result
=
rdd.groupBy(fun).collect()
print
[(x,
sorted
(y))
for
(x, y)
in
result]
# reduce:对数据集进行运算
rdd
=
sc.parallelize(
range
(
1
,
10
))
result
=
rdd.
reduce
(
lambda
a, b: a
+
b)
print
result
|
除上述以外,对RDD还存在一些常见数据操作如:
name()返回rdd的名称
min()返回rdd中的最小值
sum()叠加rdd中所有元素
take(n)取rdd中前n个元素
count()返回rdd的元素个数
原文:https://www.cnblogs.com/adienhsuan/p/5654485.html