【RDD】创建RDD及读取文件

最近项目中需要做的数据处理相对复杂，自己浅显的scala知识已经不够用了，打算每天来学习一点点。这里感谢yihan大佬在解决问题中给到的巨大帮助！感谢生命中遇到的每个贵人！

创建RDD

Spark shell提供了SparkContext变量sc，使用sc.parallelize()创建RDD。

scala> val rdd = sc.parallelize(Array(1,2,3,4,5,6,7,8,9,10))
rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[1] at parallelize at
:24

使用scala时，从SparkSession中获取SparkContext对象，并使用SparkContext .parallelize()来创建rdd，这个函数还有另一个signature，它附加了一个整数参数来指定分区的数量。分区是Apache Spark中并行性的基本单位。Apache Spark中的RDD是分区的集合。（Partitions are basic units of parallelism in Apache Spark. RDDs in Apache Spark are a collection of partitions.）

import org.apache.spark.rdd.RDD
import org.apache.spark.sql.SparkSession

object RDDParallelize {

  def main(args: Array[String]): Unit = {
      val spark:SparkSession = SparkSession.builder().master("local[1]")
          .appName("SparkByExamples.com")
          .getOrCreate()
      val rdd:RDD[Int] = spark.sparkContext.parallelize(List(1,2,3,4,5))
      val rddCollect:Array[Int] = rdd.collect()
      println("Number of Partitions: "+rdd.getNumPartitions)
      println("Action: First element: "+rdd.first())
      println("Action: RDD converted to Array[Int] : ")
      rddCollect.foreach(println)
  }
}

以上代码的输出：

Number of Partitions: 1
Action: First element: 1
Action: RDD converted to Array[Int] : 
1
2
3
4
5

创建空RDD

sparkContext.parallelize(Seq.empty[String])

读取文件

通过将目录路径输入到textFile()读取所有文本文件并创建单个RDD。如果发现一个Spark进程失败并报错，请确保没有嵌套目录。

val rdd = spark.sparkContext.textFile("C:/tmp/files/*")
rdd.foreach(f=>{
  println(f)
})

以上例子读取一个目录中的所有文件，创建一个RDD并打印RDD的内容

输出：

Invalid,I
One,1
Two,2
Three,3
Four,4

如果是在集群上运行，应该首先收集数据，以便在控制台上打印，如下所示。

rdd.collect.foreach(f=>{
println(f)
})

wholeTextFiles()用法

val rddWhole = spark.sparkContext.wholeTextFiles("C:/tmp/files/*")
  rddWhole.foreach(f=>{
    println(f._1+"=>"+f._2)
  })

以上代码中，使用了wholeTextFiles()方法，返回的是一个RDD[Tuple2]，其中tuple中的第一个值（_1）是文件名，第二个值（_2）是文件内容

其输出如下：

file:/C:/tmp/files/invalid.txt=>Invalid,I
file:/C:/tmp/files/text01.txt=>One,1
file:/C:/tmp/files/text02.txt=>Two,2
file:/C:/tmp/files/text03.txt=>Three,3
file:/C:/tmp/files/text04.txt=>Four,4

读取多个text file在一个RDD中

val rdd3 = spark.sparkContext.textFile("C:/tmp/files/text01.txt,C:/tmp/files/text02.txt")
  rdd3.foreach(f=>{
    println(f)
  })

以上输出：

One,1

Two,2

读取所有text file在一个RDD中

val rdd2 = spark.sparkContext.textFile("C:/tmp/files/text*.txt")
rdd2.foreach(f=>{
  println(f)
})

输出如下：

One,1

Two,2

Three,3

Four,4

从多个目录读取文件到一个RDD中

val rdd2 = spark.sparkContext.textFile("C:/tmp/dir1/*,C:/tmp/dir2/*,c:/tmp/files/text01.txt")
rdd2.foreach(f=>{
  println(f)
})

在RDD中读取多个CSV文件

val rdd5 = spark.sparkContext.textFile("C:/tmp/files/*")
val rdd6 = rdd5.map(f=>{
  f.split(",")
})

rdd6.foreach(f => {
  println("Col1:"+f(0)+",Col2:"+f(1))
})

以上，将一个目录中的所有csv文件读入RDD，应用映射转换以逗号分隔记录，映射在转换后返回另一个RDD "rdd6"。最后，迭代rdd6，基于索引读取列。

注意：不能更新RDD，因为它们是不可变的（immutable）。以上代码产生如下输出：

Col1:Invalid,Col2:I

Col1:One,Col2:1

Col1:Two,Col2:2

Col1:Three,Col2:3

Col1:Four,Col2:4

注：以上有两种用法注意区别，一种是f._1，另一种是f(1) 。f._1是从tuple中读取第一个值，f(0) 是从array中读取第一个元素。

跳过CSV文件的header

当CSV文件中有一个带有header行，并且要用Spark RDD读取和处理时，需要跳过这个header，因为在RDD中没有办法指定文件有一个header。

rdd.mapPartitionsWithIndex { (idx, iter) => if (idx == 0) iter.drop(1) else iter }

参考文献

Create a Spark RDD using Parallelize - Spark by {Examples}
Spark – Read multiple text files into single RDD? - Spark by {Examples}
Spark Load CSV File into RDD - Spark by {Examples}