RDD编程

RDD编程

1.RDD编程概述—-整个spark的核心
2.pari RDD
3.共享变量【重要】
4.数据读写
5.WordCount程序解析

1.RDD编程概述

1.RDD创建，
01.Spark采用textFile()方法从文件系统中加载数据创建RDD
该方法把文件的URI作为参数，这个URI可以是：
001.本文件系统的地址；
002.或者是分布式文件系统HDFS的地址
003.或者是Amazon s3的地址
val lines = sc.textFile(“file:///usr/local/spark/mycode/wordcount/word.txt”)
这里的lines就是一个rdd，并且rdd中的元素是String类型

02.可通过SparkContext的parallelize()方法，在Driver中已经存在的集合上创建
val arr = Array(1,2,3,4,5)
val rdd = sc.parallelize(arr)
rdd中的每个元素都是int类型
或者也可以通过列表创建

2.RDD操作
01转换操作
02行动操作
触发计算
常见如下：
count()
collect()
first()
take(n)
reduce(func)
foreach(func)
03惰性机制

持久化，（解决重复计算的问题）
标记为持久化
1.可以使用persist()方法对一个RDD标记为持久化
2,持久化后的RDD将会被保留在计算节点的内存中被后面的行动操作继续使用
3,persist(MEMORY_ONLY)
persist(MEMORY_AND_DISK)
cache()
unpersist()

3.分区
增加并行度：RDD通常很大，会被分成很多个分区。
减少通信开销

手动设置分区
01，创建RDD时：调用textFile和parallelize方法时手动指定分区数:sc.textFile(path,partitionNum)
02,通过转换操作得到新的RDD时，直接调用repartition方法即可
这种情况常常用在计算进行了大半部分的时候，因为之前很多数据集都已经计算完全，所有不再需要很多的线程来计算，所以减少分区的数量很有必要。