RDD的创建 - Python

集合并行化创建RDD

任务描述

本关任务：编写一个集合并行化创建RDD的程序。

相关知识

为了完成本关任务，你需要掌握：1.如何使用集合并行化创建一个Spark RDD 。

什么是 RDD

RDD（Resilient Distributed Dataset）叫做分布式数据集，是Spark 中最基本的数据抽象，它代表一个不可变、可分区、里面的元素可并行计算的集合。RDD具有数据流模型的特点：自动容错、位置感知性调度和可伸缩性。RDD允许用户在执行多个查询时显式地将工作集缓存在内存中，后续的查询能够重用工作集，这极大地提升了查询速度。

简单的来说RDD就是一个集合，一个将集合中数据存储在不同机器上的集合。

RDD直观图，如下：

RDD 的 五大特性

• 一组分片（Partition），即数据集的基本组成单位。对于RDD来说，每个分片都会被一个计算任务处理，并决定并行计算的粒度。用户可以在创建RDD时指定RDD的分片个数，如果没有指定，那么就会采用默认值。默认值就是程序所分配到的CPU Core的数目。

• 一个计算每个分区的函数。Spark中RDD的计算是以分片为单位的，每个 RDD都会实现 compute 函数以达到这个目的。compute函数会对迭代器进行复合，不需要保存每次计算的结果。

• RDD之间的依赖关系。RDD的每次转换都会生成一个新的RDD，所以RDD之间就会形成类似于流水线一样的前后依赖关系。在部分分区数据丢失时，Spark 可以通过这个依赖关系重新计算丢失的分区数据，而不是对RDD的所有分区进行重新计算。

• 一个Partitioner，即RDD的分片函数。当前Spark中实现了两种类型的分片函数，一个是基于哈希的HashPartitioner，另外一个是基于范围的 RangePartitioner。只有对于于key-value的RDD，才会有Partitioner，非key-value的RDD的Parititioner的值是None。Partitioner函数不但决定了RDD本身的分片数量，也决定了parent RDD Shuffle输出时的分片数量。

• 一个列表，存储存取每个Partition的优先位置（preferred location）。对于一个HDFS文件来说，这个列表保存的就是每个 Partition 所在的块的位置。按照“移动数据不如移动计算”的理念，Spark 在进行任务调度的时候，会尽可能地将计算任务分配到其所要处理数据块的存储位置。

相关API介绍

• SparkContext创建；

1. sc = SparkContext("local", "Simple App")

说明："local" 是指让Spark程序本地运行，"Simple App" 是指Spark程序的名称，这个名称可以任意（为了直观明了的查看，最好设置有意义的名称）。

• 集合并行化创建RDD；

1. data = [1,2,3,4]
2. rdd = sc.parallelize(data)

• collect算子：在驱动程序中将数据集的所有元素作为数组返回（注意数据集不能过大）；

1. rdd.collect()

• 停止SparkContext。

1. sc.stop()

编程要求

根据提示，在右侧编辑器begin-end处补充代码，完成Spark RDD创建。

# -*- coding: UTF-8 -*-

from pyspark import SparkContext

if __name__ == "__main__":

    #********** Begin **********#

    # 1.初始化 SparkContext，该对象是 Spark 程序的入口

    sc=SparkContext("local","simple App")

    # 2.创建一个1到8的列表List

data={1,2,3,4,5,6,7,8}

    # 3.通过 SparkContext 并行化创建 rdd

rdd=sc.parallelize(data)

    # 4.使用 rdd.collect() 收集 rdd 的内容。 rdd.collect() 是 Spark Action 算子，在后续内容中将会详细说明，主要作用是：收集 rdd 的数据内容

result=rdd.collect()

    # 5.打印 rdd 的内容

print(result)

    # 6.停止 SparkContext

sc.stop()

    #********** End **********#

读取外部数据集创建RDD

任务描述

本关任务：编写读取本地文件创建Spark RDD的程序。

相关知识

为了完成本关任务，你需要掌握：1.如何读取本地文件系统中的文件来创建Spark RDD。

textFile 介绍

PySpark可以从Hadoop支持的任何存储源创建分布式数据集，包括本地文件系统，HDFS，Cassandra，HBase，Amazon S3 等。Spark支持文本文件，SequenceFiles和任何其他Hadoop InputFormat。

文本文件RDD可以使用创建SparkContex的textFile方法。此方法需要一个 URI的文件（本地路径的机器上，或一个hdfs://，s3a:// 等 URI），并读取其作为行的集合。这是一个示例调用：

1. distFile = sc.textFile("data.txt")

编程要求

根据提示，在右侧编辑器begin-end处补充代码，完成读取本地文件系统的文件并创建Spark RDD 。

# -*- coding: UTF-8 -*-

from pyspark import SparkContext

if __name__ == '__main__':

    #********** Begin **********#

    # 1.初始化 SparkContext，该对象是 Spark 程序的入口

    sc=SparkContext("local","Simple App")

    # 文本文件 RDD 可以使用创建 SparkContext 的t extFile 方法。此方法需要一个 URI的 文件（本地路径的机器上，或一个hdfs://，s3a://等URI），并读取其作为行的集合

    # 2.读取本地文件，URI为：/root/wordcount.txt

    distFile=sc.textFile("/root/wordcount.txt")

    # 3.使用 rdd.collect() 收集 rdd 的内容。 rdd.collect() 是 Spark Action 算子，在后续内容中将会详细说明，主要作用是：收集 rdd 的数据内容

    result=distFile.collect()

    # 4.打印 rdd 的内容

    print(result)

    # 5.停止 SparkContext

    sc.stop()

    #********** End **********#