Spark RDD 创建和分区规则

RDD的创建和分区规则

1.1 从集合中创建RDD

从集合中创建RDD，主要提供了两种函数：parallelize和makeRDD

需求：创建List集合（集合中元素1234），从集合中创建RDD，并打印输出

package com.xcu.bigdata.spark.core.pg02_rdd.pg021_rdd_create

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}


object Spark01_CreateRDD_memory {
  def main(args: Array[String]): Unit = {
    //创建配置文件
     /*
    setMaster: 设置Spark环境的运行位置，如 local 或者 hdfs
    [k]表示运行核数为k个,* 表示用本电脑所有核数
    setAppName:设置当前应用程序的名字
     */
    val conf: SparkConf = new SparkConf().setAppName("Spark01_CreateRDD_memory").setMaster("local[*]")
    //创建SparkContext,该对象是提交的入口
    val sc = new SparkContext(conf)
    //创建一个集合对象
    val list: List[Int] = List(1, 2, 3, 4)
    //方式1：根据集合创建RDD
    val rdd1: RDD[Int] = sc.parallelize(list)
    //打印
    rdd1.foreach(print)
    //换行
    println()
    //方式2：根据集合创建RDD
    val rdd2: RDD[Int] = sc.makeRDD(list)
    rdd2.foreach(print)
    //释放资源
    sc.stop()
  }
}

1.2 从外部系统创建RDD

外部存储系统：本地的文件系统，HDFS、HBase等

目标：从本地文件系统，HDFS创建RDD

package com.xcu.bigdata.spark.core.pg02_rdd.pg021_rdd_create

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}


object Spark02_CreateRDD_file {
  def main(args: Array[String]): Unit = {
    //创建配置文件
    val conf: SparkConf = new SparkConf().setAppName("").setMaster("local[*]")
    //创建SparkContext,该对象是提交的入口
    val sc = new SparkContext(conf)
    //从本地文件中读取数据，创建RDD
    val rdd1: RDD[String] = sc.textFile("./input/word.txt")
    //从hdfs上读取文件
    val rdd2: RDD[String] = sc.textFile("hdfs://hadoop201:8020/input")
    //打印输出
    rdd1.foreach(println)
    //释放资源
    sc.stop()
  }
}

2.1 内存分区规则和数据读取规则

创建RDD的方式不一样，分区规则不一样

• 切片规则

1. 默认的分区数取决于分配给应用的CPU的核数

2. 如果指定分区，那么最终分区数就为指定的数目

• 数据读取规则

	// 源码
    def positions(length: Long, numSlices: Int): Iterator[(Int, Int)] = {
      (0 until numSlices).iterator.map { i =>
        val start = ((i * length) / numSlices).toInt
        val end = (((i + 1) * length) / numSlices).toInt
        (start, end)
      }
    }

数据读取举例：sc.makeRDD(List(1, 2, 3, 4, 5), numSlices = 3)

length：数据长度5，numSlices = 3，i为几号分区
根据以上代码
i ---> (start, end) ---> data
0 ---> (0, 1) ---> 1
1 ---> (1, 3) ---> 2 3
2 ---> (3, 5) ---> 4 5

package com.xcu.bigdata.spark.core.pg02_rdd.pg021_rdd_create

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

/**
 * @Package : com.xcu.bigdata.spark.core.pg02_rdd.pg021_rdd_create
 * @Author : 
 * @Desc : 从集合中创建RDD，并指定分区数
 *       -默认的分区数取决于分配给应用的CPU的核数
 *       -如果指定分区数，那么最终分区数就为指定的数目
 */
object Spark04_Partition_mem {
  def main(args: Array[String]): Unit = {
    //创建配置文件
    val conf: SparkConf = new SparkConf().setAppName("").setMaster("local[*]")
    //创建SparkContext,该对象是提交的入口
    val sc = new SparkContext(conf)
    //从集合中创建RDD
    val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4, 5), numSlices = 3)
    //保存成文件目的是为了查看分区数
    rdd.saveAsTextFile("./output")
    //释放资源
    sc.stop()

  }
}

2.2 文件分区规则和数据读取规则

从文件中创建RDD,采用的是Haoop的分区和数据读取规则:

• 文件切片规则：以字节方式来切片

切片举例：例如一个文件11个字节，在代码中设置minPartitions=2

minPartitions=2，即预计分为2个分区，但实际有可能不是2个分区

totalSize（文件总字节数） / numSlices（等于minPartitions）= 实际分区个数

11 / 2 = 5 … 1 （1 / 5 ）与 0.1 做比较，如果（1 / 5 = 0.2）大0.1， 那么在开一个分区，如果（1 / 5 ）小0.1，那么合并到最后一个分区，故实际分区个数为3个

总结：如果指定分区数，那么最后分区数取决于总的字节数是否能够整除预计的最小分区数，并且剩余的字节数达到一个比率

默认分区数取决于：math.min(分配给应用的CPU核数，2)

• 数据读取规则：以行为单位来读取

数据读取举例：例如一个txt文件10个字节，minPartitions=4

1. txt文件如下

1
2
3
4

2. 显示回车和换行，并用符号@代替

# 数据以行的方式读取，但是读取过程中会考虑偏移量（数据的offset）
date=>offset
1@@ => 012
2@@ => 345
3@@ => 678
4 => 9

3. 计算分区个数

10byte / 4 = 2byte … 2byte =>5个分区，意味着有5个分区，每个分区读取2个字节

每个分区的偏移量为
0 =>（0， 2）
1 =>（2， 4）
2 =>（4， 6） 
3 =>（6， 8）
4 =>（8， 10）

4. 读取的数据为

分区=>offset =>data
0 =>（0， 2）=> 1  # 实际读取到的offset 0 1 2
1 =>（2， 4）=> 2  # 实际读取到的offset 3 4，上一次读取数据时，把offset=2读走了
2 =>（4， 6）=> 3 # 实际读取到的offset 5 6
3 =>（6， 8）=> 空  # 实际读取到的offset 7 8
4 =>（8， 10）=> 4 # 实际读取到的offset 9

5. 代码验证

package com.xcu.bigdata.spark.core.pg02_rdd.pg021_rdd_create

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

/**
 * @Package : com.xcu.bigdata.spark.core.pg02_rdd.pg021_rdd_create
 * @Author : 
 * @Desc : 从文件中创建RDD,分区规则和数据读取规则
 */
object Spark05_Partition_file {
  def main(args: Array[String]): Unit = {
    //创建配置文件
    val conf: SparkConf = new SparkConf().setAppName("Spark05_Partition_file").setMaster("local[*]")
    //创建SparkContext,该对象是提交的入口
    val sc = new SparkContext(conf)
    //从集合中创建RDD
    val rdd: RDD[String] = sc.textFile("./input/w.txt", minPartitions = 4)
    //保存成文件目的是为了查看分区数
    rdd.saveAsTextFile("./output")
    //释放资源
    sc.stop()

  }
}