Spark基础学习笔记：创建RDD

目录

一、RDD为何物

（一）RDD概念

（二）RDD示例

（三）RDD主要特征

二、做好准备工作

（一）准备文件

1、准备本地系统文件

2、启动HDFS服务

3、上传文件到HDFS

（二）启动Spark Shell

1、启动Spark服务

 2、启动Spark Shell

三、创建RDD

（一）从对象集合创建RDD

1、利用parallelize()方法创建RDD

2、利用makeRDD()方法创建RDD

3、简单说明

（二）从外部存储创建RDD

1、读取本地系统文件

课堂练习：给输出数据添加行号

2、读取HDFS上的文件

四，思维导图

---

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.tx 

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

​​​​​​​