spark的基本流程是:
1.确定spark参数,例:sparkconf=Sparkconf.setAppName().setMaster("local")
2.建立sparkcontext,相当于建立一个链接,例:sc=SparkContext(sparkconf)
3.导入数据,初步形成rdd,base_rdd=sc.textfile()
rdd基本元素在结果上表现为原集合的元素(只是发配到其他计算机上了),对rdd的操作分两种,一种是转化,转化之后还是rdd,一种是操作,操作之后不再是rdd(通常都要将rdd中元素返还到驱动器)。尽管rdd的运行结果是一个映射到不同计算机上的数据集(把原集分解投入),但是rdd本身不会保存这些集合,因为通常使用并行计算时数据量级过大,如果保存每次结果需要贮存空间过多,通常只在实际对rdd进行操作时才会重新计算。所以rdd想当于一个结果为映射到不同计算机上的数据集(把原集分解投入)的指令表。
代码:
import org.apache.spark.{SparkContext, SparkConf} object Structure { def main(args:Array[String]): Unit ={ val sparkconf=new SparkConf().setAppName("fortest").setMaster("local") val sc=new SparkContext(sparkconf) val base_rdd=sc.parallelize(List("abss","s , a","dd ee","aa")) val map_rdd=sc.parallelize(List("abss","s , a","dd ee","aa")).map(x=>x+"a") val collect_rdd=map_rdd.collect() val base_rdd_class=base_rdd.getClass() println("base_rdd"+" "+base_rdd_class) println("map_rdd"+" "+map_rdd) println("collect_rdd"+" "+collect_rdd.getClass()) val ss="asss".getClass() println(ss) base_rdd.foreach(println) } }
结果:
base_rdd class org.apache.spark.rdd.ParallelCollectionRDD
map_rdd MapPartitionsRDD[2] at map at Structure.scala:10 //还是rdd但是定义了谱系图
collect_rdd class [Ljava.lang.String;
class java.lang.String
abss
s , a
dd ee
aa