创建
RDD是Spark中的数据集,是只读的
RDD可以从集合,普通文件系统,HDFS文件系统中创建
scala创建RDD的方法
val lines1 = sc.parallelize(List("aa","bb"))
val lines2 = sc.textFile("file:///opt/spark/README.md")
val lines3 = sc.textFile("hdfs://nn.a:9000/afile")
Spark读取hdfs文件系统中的文件需要将hadoop etc目录下的core-site.xml和hdfs-site.xml拷贝到Spark的conf目录下。
Spark1.6.3的Scala API文档:https://spark.apache.org/docs/1.6.3/programming-guide.html
转化操作
对单一RDD常用转化操作
filter():过滤
first():第一行
map():以集合的形式映射
mappartition():将节点上的数据集中运算
zip():生成键值对
flatmap():映射后将子集合展开
distinct():去重
对两个RDD常用转化操作
union():两个RDD合在一起,不去重
intersection():两个RDD相同的元素,去重
subtract():包含在A中,不包含在B中的元素,不去重
cartesian():两个RDD的笛卡儿积
行动操作
collect():输出所有
take():输出指定个数
foreach():将方法用到每一个元素上
count():统计元素总量
countByValue():统计每一个元素的数量
reduce():对每一个元素进行逐个的合并
高级操作
Pair RDD
Key-Value形式存储
方便操作
有针对Key-Value的专用操作
reduceByKey():按照Key值合并Value,返回与输入的数据类型必须相同
combineByKey():按照Key值合并Value,允许返回与输入的数据类型不同
repartitionAndSortWithinPartitions():在repartition的同时进行sort操作,可提升执行效率。
Spark是分布式的计算框架,在单机程序开发的时候,使用static避免常量资源频繁创建,在Spark里再用static就不行了。这个时候可以使用spark的broadcast机制。
广播可以将变量发送到闭包中,被闭包使用。但是,广播还有一个作用是同步较大数据。比如你有一个IP库,可能有几G,在map操作中,依赖这个ip库。那么,可以通过广播将这个ip库传到闭包中,被并行的任务应用。广播通过两个方面提高数据共享效率:
1,集群中每个节点(物理机器)只有一个副本,默认的闭包是每个任务一个副本;
2,广播传输是通过BT下载模式实现的,也就是P2P下载,在集群多的情况下,可以极大的提高数据传输速率。广播变量修改后,不会反馈到其他节点。
创建广播
final Broadcast<WordFilterUtil> wordFilterBroadcast = sc.broadcast(WordFilterUtil.getInstance());
在算子中使用广播
if (!wordFilterBroadcast.getValue().isInBlackList(trimedWord)) {
//doSomething
}
使用广播时要注意,放入广播中的对象要是可序列化的,否则会报错