RDD
简介
在Spark中,RDD是弹性分布式数据集(Resilient Distributed Dataset)的缩写。通俗来讲,RDD是一种抽象的数据结构,用于表示分布式计算中的数据集合。它是Spark中最基本的数据模型,可以看作是一个不可变的、可分区、可并行处理的数据集合。这个数据集的全部或部分可以缓存在内存中,可在多次计算中重用。
RDD是由一系列的记录(或元素)组成的,这些记录可以分散存储在集群的多个节点上,每个节点上的数据可以被并行处理。RDD提供了一系列的操作函数,例如map、reduce、filter等,可以对数据进行转换和计算。RDD的特点是具有容错性和弹性,即使在节点故障的情况下,也能自动恢复数据和计算过程。
RDD编程基础
1、RDD 创建
Spark 通过 textFile() 从文件系统(本地系统、HDFS、集合)中加载数据来创建RDD。
1.1、从文件系统中加载数据创建 RDD
import org.apache.spark.{SparkConf, SparkContext}object CreateRddByFileScala {def main(args: Array[String]): Unit = {//创建SparkContext对象val conf = new SparkConf()conf.setAppName("CreateRddByFileScala").setMaster("local")val sc = new SparkContext(conf)//windowsval path = "D:\\test\\data"//linux
// val path = "file:///usr/local/test/data/"//读取文件数据,可以在textFile中生成的RDD分区数量val rdd = sc.textFile(path,2)//获取每一行数据的长度,计算文件内数据的总长度val length = rdd.map(_.length).reduce(_+_)println(length)//关闭SparkContextsc.stop()}}
1.2、从HDFS中加载数据
只需要修改路径如下:
val path = "hadoop101:9000/test/"//读取文件数据,可以在textFile中生成的RDD分区数量val rdd = sc.textFile(path,2)
1.3、通过并行集合(数组)创建RDD
调用 SparkContext 的 parallelize() 方法,通过一个已经存在的集合(数组)来创建RDD。
//创建SparkContextval conf = new SparkConf()conf.setAppName("CreateRddByArrayScala").setMaster("local") //local表示在本地执行val sc = new SparkContext(conf)//创建集合val arr = Array(1,2,3,4,5)//基于集合创建RDDval rdd = sc.parallelize(arr)
2、RDD 操作
RDD 的操作包括两种类型:转换操作和行动操作。其中,转换操作主要有map()、filter()、groupBy()、join()等,对RDD而言,每次转换都会产生一个新的RDD,供下一次操作使用。而行动操作(如count()、collect()等)返回的一般都是一个值。
2.1、转换操作
RDD 的真个转换过程是采用惰性机制的,也就是说,整个转换过程只记录了转换的轨迹,并不会真正的运算,只有遇到行动操作才会触发从头到尾的真正计算。
1、filter(f: String => Boolean)
用法和Scala中的filter一致。
输入文档:
Hadoop is good
Spark is better
Spark is fast
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}object RDDAction {def main(args: Array[String]): Unit = {// 创建 SparkContext 对象val conf = new SparkConf()conf.setAppName("filter-test").setMaster("local")val sc = new SparkContext(conf)// 通过加载数据创建RDD对象val rdd: RDD[String] = sc.textFile("data/word.txt")//filter 的参数是一个匿名函数 要求返回一个Boolean 类型的值 true-留下 false-过滤val lineWithSpark: RDD[String] = rdd.filter(line => {line.contains("Spark")})lineWithSpark.foreach(println)// 关闭sc对象sc.stop()}
}
运行结果:
Spark is better
Spark is fast
2、map()
同样和Scala中的map()用法一致。
//省略创建AparkContext对象的代码...// 使用并行集合创建 RDDval arr = Array(1,2,3,4,5)val rdd1: RDD[Int] = sc.parallelize(arr)//转换操作val rdd2 = rdd1.map(num => num*2)rdd2.foreach(println)
运行结果:
2
4
6
8
10
//使用本地文件作为数据加载创建RDD 对象val rdd1: RDD[String] = sc.textFile("data/word.txt")val rdd2: RDD[Array[String]] = rdd1.map(line => {line.split(" ")})
解析:
输入:
Hadoop is good
Spark is better
Spark is fast
Spark 读取进来后,就变成了 RDD("Hadoop is good","Spark is better","Spark is fast"),我们知道,Scala中要进行扁平化操作的话,对象必须是一个多维数组,所以我们要通过 map() 对读取进来的格式进行处理,处理后的格式:RDD(Array("Hadoop is good"),Array("Spark is better"),Array("Spark is fast"))
RDD("Hadoop is good","Spark is better","Spark is fast") => RDD(Array("Hadoop is good"),Array("Spark is better"),Array("Spark is fast"))
3、flatMap()
和Scala中用法基本一样。
//使用本地文件作为数据加载创建RDD 对象val rdd1: RDD[String] = sc.textFile("data/word.txt")val rdd2: RDD[String] = rdd1.flatMap(line => line.split(" "))
flatMap 的过程:
RDD("Hadoop is good","Spark is better","Spark is fast")
先进行 map() =>
RDD(Array("Hadoop is good"),Array("Spark is better"),Array("Spark is fast"))
在进行 flatten =>
RDD("Hadoop","is",good","Spark","is","better","Spark","is","fast"))
扁平化后我们的数据又变为了一维集合的数据结构(RDD)了。
4、groupByKey()
这个函数十分重要,上面我们得到了关于每次单词的一个RDD集合,现在我们要进行wordcount 的话肯定还需要对相同的键进行一个分类,这样会生成一个RDD集合(key:String,valut_list:Interable[Int])。
我们同样基于上面的结果进行操作:
val rdd3: RDD[(String, Int)] = rdd2.map(word => {(word, 1)})//RDD(("Hadoop",1),("is",1),("good",1),("Spark",1),("is",1),("better",1),("Spark",1),("is",1),("fast",1)))val rdd4: RDD[(String, Iterable[Int])] = rdd3.groupByKey()//RDD(("Hadoop",1),("is",1,1,1),("good",1),("Spark",1,1),("better",1),("fast",1)))
5、reduceByKey()
需要注意的是,reduceByKey是对(key:String,value:Int)这种相同键值对元素的合并,而不是对上面groupByKey()的结果(key:String,value_list:Interable[Int])进行操作,这个粗心让我找了半天。
//rdd5和6效果都一样val rdd5: RDD[(String,Int)] = rdd4.map(t => {(t._1, t._2.size)})//RDD(("Hadoop",1),("is",3),("good",1),("Spark",2),("better",1),("fast",1)))// rdd3.reduceByKey((v1,v2)=>v1+v2) //v1 v2代表发现key相同的键值对的值 参数按照顺序在函数体中只出现了一次 那么可以用下划线代替val rdd6: RDD[(String, Int)] = rdd3.reduceByKey(_ + _)//RDD(("Hadoop",1),("is",3),("good",1),("Spark",2),("better",1),("fast",1)))//打印结果rdd6.foreach(println)
运行结果:
(Spark,2)
(is,3)
(fast,1)
(good,1)
(better,1)
(Hadoop,1)Process finished with exit code 0
总结
剩下的RDD转换操作下午再新开一篇,以及RDD的行动操作篇、持久化、分区和综合实例后续更新。