一、RDD介绍
弹性分布式数据集,简称为RDD,是不可变JVM对象的分布式集合,Spark 就是围绕RDD而构建的。RDD对对象的作业是非常快速的执行的,这依赖于RDD的计算是依据缓存和存储在内存中的模式进行。
RDD有两组并行操作:转换和动作。转换是指返回指向新RDD的指针;动作是指在运行计算后返回值。
同时,RDD也有它惰性的一面,他们并不立即计算其结果,只有动作执行了,并且需要返回值时,才会进行计算转换。
二、Schema
与pandas的dataframe有所区别的是,spark的RDD是一种无schema的数据结构。
因此我们可以混用任何类型的数据结构,比如数组、字典、集合
data = sc.parallelize([
('fst', None),
{
<