RDD笔记

创建RDD

零、本讲学习目标

了解RDD的概念

掌握RDD的创建方式

一、RDD为何物

（一）RDD概念

Spark提供了一种对数据的核心抽象，称为弹性分布式数据集（Resilient Distributed Dataset，RDD）。这个数据集的全部或部分可以缓存在内存中，并且可以在多次计算时重用。RDD其实就是一个分布在多个节点上的数据集合。

RDD的弹性主要是指当内存不够时，数据可以持久化到磁盘，并且RDD具有高效的容错能力。

分布式数据集是指一个数据集存储在不同的节点上，每个节点存储数据集的一部分。

（二）RDD示例

将数据集（hello,world,scala,spark,love,spark, happy）存储在三个节点上，节点一存储（hello,world），节点二存储（scala,spark,love），节点三存储（spark,happy），这样对三个节点的数据可以并行计算，并且三个节点的数据共同组成了一个RDD。

分布式数据集类似于HDFS中的文件分块，不同的块存储在不同的节点上；而并行计算类似于使用MapReduce读取HDFS中的数据并进行Map和Reduce操作。Spark则包含这两种功能，并且计算更加灵活。

在编程时，可以把RDD看作是一个数据操作的基本单位，而不必关心数据的分布式特性，Spark会自动将RDD的数据分发到集群的各个节点。Spark中对数据的操作主要是对RDD的操作（创建、转化、求值）。

（三）RDD主要特征

RDD是不可变的，但可以将RDD转换成新的RDD进行操作。

RDD是可分区的。RDD由很多分区组成，每个分区对应一个Task任务来执行。

对RDD进行操作，相当于对RDD的每个分区进行操作。

RDD拥有一系列对分区进行计算的函数，称为算子。

RDD之间存在依赖关系，可以实现管道化，避免了中间数据的存储。

二、做好准备工作

（一）准备文件

1、准备本地系统文件

在/home目录里创建test.txt

单词用空格分隔

2、启动HDFS服务

执行命令：start-dfs.sh

3、上传文件到HDFS

将test.txt上传到HDFS的/park目录里

查看文件内容

（二）启动Spark Shell

1、启动Spark服务

录执行命令：start-all.sh

2、启动Spark Shell

如果以 spark-shell --master spark://master:7077方式启动spark-shell，只能读取HDFS系统上的文件，不能读取本地系统文件，而以spark-shell --master=local[*]方式启动spark-shell，既可以读取本地系统文件，加不加file://都可以，还可以访问HDFS系统上的文件，但是必须加上hdfs://master:9000。

执行命令：spark-shell --master=local[*]

三、创建RDD

RDD中的数据来源可以是程序中的对象集合，也可以是外部存储系统中的数据集，例如共享文件系统、HDFS、HBase或任何提供HadoopInputFormat的数据源。

（一）从对象集合创建RDD

Spark可以通过parallelize()或makeRDD()方法将一个对象集合转化为RDD。

1、利用parallelize()方法创建RDD

执行命令：val rdd = sc.parallelize(List(1, 2, 3, 4, 5, 6, 7, 8))

2、利用makeRDD()方法创建RDD

执行命令：val rdd = sc.makeRDD(List(1, 2, 3, 4, 5, 6, 7, 8))

执行命令：rdd.collect()，收集rdd数据进行显示

其实，行动算子[action operator]collect()的括号可以省略的

3、简单说明

从上述命令执行的返回信息可以看出，上述创建的RDD中存储的是Int类型的数据。实际上，RDD也是一个集合，与常用的List集合不同的是，RDD集合的数据分布于多台机器上。

（二）从外部存储创建RDD

Spark的textFile()方法可以读取本地文件系统或外部其他系统中的数据，并创建RDD。不同的是，数据的来源路径不同。

1、读取本地系统文件

执行命令：val rdd = sc.textFile("file:///home/test.txt")

执行命令：val lines = rdd.collect()，查看RDD中的内容，保存到常量lines

执行命令：lines.foreach(println)（利用foreach遍历算子）

执行命令：for (line <- lines) println(line)