第15课：RDD创建内幕

1. RDD的创建方式

Spark应用程序运行过程中，第一个RDD代表了Spark应用程序输入数据的来源，之后通过Trasformation来对RDD进行各种算子的转换，来实现具体的算法

Spark中的基本方式：

1)       使用程序中的集合创建

这种方式的实际意义主要用于测试。

2)       使用本地文件系统创建

这种方式的实际意义主要用于测试大量数据的文件

3)       使用HDFS创建RDD

这种方式为生产环境中最常用的创建RDD的方式

4)       基于DB创建

5)       基于NoSQL:例如HBase

6)       基于S3(SC3)创建

7)       基于数据流创建

1. RDD创建实战

1)       通过集合创建

代码：

object RDDBasedOnCollection {
def main (args: Array[String]) {
val conf = new SparkConf()//create SparkConf
conf.setAppName("RDDBasedOnCollection")//set app name
conf.setMaster("local")//run local
val sc =new SparkContext(conf)
val numbers = 1 to 100  //创建一个Scala集合
val rdd = sc.parallelize(numbers)
val sum =rdd.reduce(_+_)  //1+2=3 3+3=6 6+4=10
println("1+2+...+99+100"+"="+sum)
  }
}

结果：

2)       通过本地文件系统创建

代码：

object RDDBasedOnLocalFile {def main (args: Array[String]) {val conf = new SparkConf()//create SparkConfconf.setAppName("RDDBasedOnCollection")//set app nameconf.setMaster("local")//run localval sc =new SparkContext(conf)val rdd = sc.textFile("C:/Users/feng/IdeaProjects/WordCount/src/SparkText.txt")val linesLength=rdd.map(line=>line.length())val sum = linesLength.reduce(_+_)println("the total characters of the file"+"="+sum)}
}

结果：

3)       通过HDFS创建RDD

代码：

val wordcount = sc.textFile("/library/wordcount/input/licenses").flatMap(_.split(" ")).map(word=>(word,1)).reduceByKey(_+_).filter(pair=>pair._2>20).collect().foreach(println)

结果：

关于spark并行度:

1.默认并行度为程序分配到的cpu core的数目

2.可以手动设置并行度,并行度最佳实践

1. 2-4 partitions for each CPU core

2.综合考虑cpu和 内存

注:本内容原型来自 IMP 课程笔记