Spark随记

重要：http://homePage.cs.latrobe.edu.au/zhe/ZhenHeSparkRDDAPIExamples.html
上面这个网址可以学习好多spark的API函数的具体使用，简单易学！

当spark程序从HDFS上读取数据时，默认是一个block生成一个分区！
当然这是直接用textFile且没有指定分区的情况下，如果这里我们指定了分区那么就按照我们指定的个数的分区！
spark读取数据的时候还是依靠的hadoop的InputFormat中的切片规则来读取数据的！


对于combineByKey,reduceByKey,groupByKey这些算子，如果是对key-value类型的键值对执行这些算子，默认是按着HashPartitioner进行分区!
当然我们也可以自己指定分区个数！






==============================================================================================================================================================

mapPartitions

def mapPartitions[U](f: (Iterator[T]) => Iterator[U], preservesPartitioning: Boolean = false)(implicit arg0: ClassTag[U]): RDD[U]

该函数和map函数类似，只不过映射函数的参数由RDD中的每一个元素变成了RDD中每一个分区的迭代器。如果在映射的过程中需要频繁创建额外的对象，使用mapPartitions要比map高效的过。

比如，将RDD中的所有数据通过JDBC连接写入数据库，如果使用map函数，可能要为每一个元素都创建一个connection，这样开销很大，如果使用mapPartitions，那么只需要针对每一个分区建立一个connection。

参数preservesPartitioning表示是否保留父RDD的partitioner分区信息。

 

    var rdd1 = sc.makeRDD(1 to 5,2)
    //rdd1有两个分区
    scala> var rdd3 = rdd1.mapPartitions{ x => {
         | var result = List[Int]()
         |     var i = 0
         |     while(x.hasNext){
         |       i += x.next()
         |     }
         |     result.::(i).iterator
         | }}
    rdd3: org.apache.spark.rdd.RDD[Int] = MapPartitionsRDD[84] at mapPartitions at :23
     
    //rdd3将rdd1中每个分区中的数值累加
    scala> rdd3.collect
    res65: Array[Int] = Array(3, 12)
    scala> rdd3.partitions.size
    res66: Int = 2
     
===============================================================================================================================================================================


mapPartitionsWithIndex

def mapPartitionsWithIndex[U](f: (Int, Iterator[T]) => Iterator[U], preservesPartitioning: Boolean = false)(implicit arg0: ClassTag[U]): RDD[U]

函数作用同mapPartitions，不过提供了两个参数，第一个参数为分区的索引。

    var rdd1 = sc.makeRDD(1 to 5,2)
    //rdd1有两个分区
    var rdd2 = rdd1.mapPartitionsWithIndex{
            (x,iter) => {
              var result = List[String]()
                var i = 0
                while(iter.hasNext){
                  i += iter.next()
                }
                result.::(x + "|" + i).iterator
               
            }
          }
    //rdd2将rdd1中每个分区的数字累加，并在每个分区的累加结果前面加了分区索引
    scala> rdd2.collect
    res13: Array[String] = Array(0|3, 1|12)




====================================================================================================================================================================


1.重新分区，repartition和coalesce其实repartition()算子中在底层调用的就是coalece(n,true)算子！



2.URL host=new URL("url").getHost(此URL是java.net.Url)！可以通过给URL类传入一个字符串直接获取其主机名！


3.