RDD的创建与分区

RDD的创建与分区

1.RDD的创建

在Spark中创建RDD的创建方式可以分为三种：从集合中创建RDD、从外部存储创建

RDD、从其他RDD创建。

a）新建一个 maven 工程 SparkCoreTest

b）添加 scala 框架支持

c）创建一个scala文件夹，并把它修改为Source Root

d）在pom文件中添加：

<dependencies>
    <dependency>
        <groupId>org.apache.spark</groupId>
        <artifactId>spark-core_2.12</artifactId>
        <version>3.0.0</version>
    </dependency>
</dependencies>
<build>
    <finalName>SparkCoreTest</finalName>
    <plugins>
        <plugin>
            <groupId>net.alchim31.maven</groupId>
            <artifactId>scala-maven-plugin</artifactId>
            <version>3.4.6</version>
            <executions>
                <execution>
                    <goals>
                        <goal>compile</goal>
                        <goal>testCompile</goal>
                    </goals>
                </execution>
            </executions>
        </plugin>
    </plugins>
</build>

①从集合中创建RDD

package com.xiao_after.createadd

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

/**
 * @author xiaohu
 * @create 2020-09-24 18:17
 */
object createadd01_array {
   
  def main(args: Array[String]): Unit = {
   
    //1.创建SparkConf并设置App名称
    val conf: SparkConf = new SparkConf().setAppName("SparkCoreTest").setMaster("local[*]")

    //2.创建SparkContext，该对象是提交Spark App的入口
    val sc: SparkContext = new SparkContext(conf)

    //3.使用parallelize()创建rdd
    val rdd1: RDD[Int] = sc.parallelize(Array(1, 2, 3, 4, 5, 6, 7, 8))

    //遍历rdd1
    rdd1.collect().foreach(println)

    println("----------------------------------")

    //4.使用makeRDD()创建rdd
    val rdd2: RDD[Int] = sc.makeRDD(Array(1, 2, 3, 4, 5, 6, 7, 8))

    //遍历rdd2
    rdd2.collect().foreach(println)

    //5.关闭连接
    sc.stop()

  }

}

注：源码中 makeRDD 方法调用的是 parallelize 方法，但是二者并不完全相等。

②从外部存储创建RDD

由外部存储系统的数据集创建RDD包括：本地的文件系统，还有所有Hadoop支持的数据

集，比如HDFS、HBase等。

数据准备：在新建的SparkCoreTest项目名称上右键 =》新建input文件夹=》在input文件

夹上右键=》分别新建1.txt和2.txt。每个文件里面准备一些word单词。

package com.xiao_after.createadd

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

/**
 * @author xiaohu
 * @create 2020-09-24 18:27
 */
object createadd02_file {
   
  def main(args: Array[String]): Unit = {
   
    //1.创建SparkConf并设置App名称
    val conf: SparkConf = new SparkConf().setAppName("SparkCoreTest").setMaster("local[*]")

    //2.创建SparkContext，该对象是提交Spark App的入口
    val sc: SparkContext = new SparkContext(conf)

    //3.读取文件。如果是集群路径：hdfs：hadoop102：9000/input
    val rdd: RDD[String] = sc.textFile("D:\\MyselfPractice\HdfsClientDemo\\SparkCoreTest\\input\\1.txt")

    //4.遍历打印
    rdd.collect().foreach(println)

    //5.关闭连接
    sc.stop()