Spark RDD的介绍及创建

RDD介绍

• RDD（Resilient Distributed Dataset）弹性分布式数据集，是Spark中最基本的数据抽象，代表一个不可变、可分区、里面的元素可并行计算的集合。它用于囊括所有内存中和磁盘中的分布式数据实体。
• RDD与数组的对比：

对比项	数组	RDD
概念类型	数据结构实体	数据模型抽象
数据跨度	单机进程内	跨进程、跨计算节点
数据构成	数组元素	数据分片
数据定位	数据下标、索引	数据分片索引

RDD的特性

1. RDD是有分区的：RDD分区是RDD数据存储的最小单位，一份RDD数据本质上是分成了多个分区。
2. RDD所有的方法都会作用在其所有分区上。
3. RDD之间是有依赖关系的。
4. KV型的RDD可以有分区器（默认是Hash分区，也可以手动设置。这个特性不是绝对的）
5. RDD分区规划会尽量靠近数据所在的服务器（避免过多的网络读取）。

RDD的属性

• Partitions：数据分片
  每个阶段所产生的的具体实物。
• Partitioner：分片切割规则
  按规则划分，数据分片的分布，是由RDD的Partitioner决定的。
• Dependencies：RDD 依赖
  每个RDD都会通过Dependencies属性来记录它所依赖的前一个、或是前多个RDD，简称父RDD。
• Compute：转换函数
  记录从父RDD到当前RDD的转换操作。

RDD的创建

并行化创建

• 概念：并行化创建是指将本地集合转向分布式RDD，这是分布式的开端。代码如下图所示：

# coding : utf8
from  pyspark import SparkConf, SparkContext

if __name__ == '__main__':
    # 创建sc对象
    conf = SparkConf().setMaster('local[*]').setAppName('test')
    sc = SparkContext(conf = conf)

    # 通过并行化集合创建RDD
    #rdd = sc.parallelize([1,2,3,4,5,6,7,8,9])
    #print(f"默认分区数是：{rdd.getNumPartitions()}")

    rdd = sc.parallelize([1,2,3,4,5,6,7,8,9], 3)
    print(f"分区数是 {rdd.getNumPartitions()}")

    #collect方法：将RDD中的每个分区的数据都发送到Driver，形成一个python list对象
    #Collect：分布式 → 本地集合
    print(f"RDD内容是 {rdd.collect()}")

• 获取RDD分区数：getNumPartitions API，获取RDD分区数量，返回值为INt数字
  用法：rdd.getNumPartitions()

读取文件创建

• textFile API，这个API可以读取本地数据也可以读取HDFS，还包括网络存储数据。

# coding : utf8
from  pyspark import SparkConf, SparkContext

if __name__ == '__main__':
    # 创建sc对象
    conf = SparkConf().setMaster('local[*]').setAppName('test')
    sc = SparkContext(conf = conf)

    #读取本地文件数据
    rdd_file = sc.textFile("../Data/input/words.txt")

    #打印默认分区数与文件大小有关，如果是HDFS则与block块数量有关，与CPU无关
    print(f"rdd_file1分区数是 {rdd_file.getNumPartitions()}")

   #读取本地文件设置分区数设置分区数
    rdd_file1 = sc.textFile("../Data/input/words.txt", 3)
    rdd_file2 = sc.textFile("../Data/input/words.txt", 100)
    #最小分区数有参考值，spark有自己的判断
    print(f"rdd_file1分区数是 {rdd_file1.getNumPartitions()}")
    print(f"rdd_file2分区数是 {rdd_file2.getNumPartitions()}")

    #HDFS读取文件
    rdd_file3 = sc.textFile("hdfs://node1:8020/Test/WordCount.txt")
    print(f"rdd_file3分区数是 {rdd_file3.getNumPartitions()}")

    #打印内容
    print(f"RDD内容是 {rdd_file.collect()}")
    print(f"RDD内容是 {rdd_file1.collect()}")
    print(f"RDD内容是 {rdd_file2.collect()}")
    print(f"RDD内容是 {rdd_file3.collect()}")

• wholeTextFile API，适合读取一堆小文件，代码如下：

# coding : utf8
from  pyspark import SparkConf, SparkContext

if __name__ == '__main__':
    # 创建sc对象
    conf = SparkConf().setMaster('local[*]').setAppName('test')
    sc = SparkContext(conf = conf)
    # 读取一堆小文件
    rdd_files = sc.wholeTextFiles("../Data/input/tiny_files")
    # 提取小文件内容
    rdd_words = rdd_files.map(lambda x: x[1])
    #读取内容
    rdd_result = rdd_words.collect()
    print(f"内容是：{rdd_result}")