Spark基础学习笔记：创建RDD

一、RDD为何物

（一）RDD概念

1、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。
2、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。

（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

执行命令：start-all.sh

2、启动Spark Shell

查看Spark Shell的WebUi界面

三、创建RDD

（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

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

3、简单说明

（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 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)

利用for循环来实现

2、读取HDFS上的文件

执行命令：`val rdd = sc.textFile(“hdfs://master:9000/park/test.txt”)

`
执行命令：val lines = rdd.collect，查看RDD中的内容

获取包含spark的行，执行命令：val sparkLines = rdd.filter((line) => line.contains(“spark”))（filter是一个转换算子[transformation operator]）

有更简单的写法，执行命令：`val sparkLines = rdd.filter(_.contains(“spark”))

`

利用遍历算子显示sparkLines内容