RDD
parallelize
- 创建RDD两种方式
(一).从内存中创建
- makeRDD
#创建方法如下
val listRDD: RDD[Int] = sc.makeRDD(List(1,2,3,4))
#makeRDD源码
def makeRDD[T: ClassTag](
seq: Seq[T],
numSlices: Int = defaultParallelism): RDD[T] = withScope {
parallelize(seq, numSlices)
}
- parallelize
#parallelize源码
def parallelize[T: ClassTag](
seq: Seq[T],
numSlices: Int = defaultParallelism): RDD[T] = withScope {
assertNotStopped()
new ParallelCollectionRDD[T](this, seq, numSlices, Map[Int, Seq[String]]())
综合上述两个方法来讲,makeRDD其实和parallelize一样,makeRDD底层还是parallelize来实现的
(二) 从外部数据源读取创建RDD
#textfile创建方法
val textRDD: RDD[String] = sc.textFile("/user/input/data.txt")
#这里的路径写法有两种
#本地模式----->file:///home/hadoop/intput/data.txt
#hdfs---->hdfs:///yourhost:9000/user/input/data.txt
#不过可以只写当前工程下的目录
#textfile 分区参数说明
#textfile源码如下
def textFile(
path: String,
minPartitions: Int = defaultMinPartitions): RDD[String] = withScope {
assertNotStopped()
hadoopFile(path, classOf[TextInputFormat], classOf[LongWritable], classOf[Text],
minPartitions).map(pair => pair._2.toString).setName(path)
}
#分片规则按照hadoopFile也就是hdfs分片规则,类似hdfs中的1.1%
#当sc.textFile("/user/input/data.txt",2),第二个参数为最小分区数,从源码中可以看出minPartitions,因为我们不确定文件内有多少数据
#文件内容为(12345),五位数字/最小分区数2有余数,那么结果文件数量根据设置的分区数量来说,会出现3个文件part-0,part-1,part-2,文件内容可想而知12,34,5