这篇文章主要介绍“Spark RDD的创建方式及算子的使用方法是什么”，在日常操作中，相信很多人在Spark RDD的创建方式及算子的使用方法是什么问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答”Spark RDD的创建方式及算子的使用方法是什么”的疑惑有所帮助！接下来，请跟着小编一起来学习吧！
一：简单了解RDD和RDD处理数据
RDD，全称为Resilient Distributed Datasets，是一个容错的、并行的数据结构，可以让用户显式地将数据存储到磁盘和内存中，并能控制数据的分区。
RDD：Spark的核心概念是RDD (resilientdistributed dataset)，指的是一个只读的，可分区的分布式数据集，这个数据集的全部或部分可以缓存在内存中，在多次计算间重用。
RDD本质上是一个内存数据集，在访问RDD时，指针只会指向与操作相关的部分。例如存在一个面向列的数据结构，其中一个实现为Int的数组，另一个实现为Float的数组。如果只需要访问Int字段，RDD的指针可以只访问Int数组，避免了对整个数据结构的扫描。
RDD将操作分为两类：transformation与action。无论执行了多少次transformation操作，RDD都不会真正执行运算，只有当action操作被执行时，运算才会触发。而在RDD的内部实现机制中，底层接口则是基于迭代器的，从而使得数据访问变得更高效，也避免了大量中间结果对内存的消耗。
在实现时，RDD针对transformation操作，都提供了对应的继承自RDD的类型，例如map操作会返回MappedRDD，而flatMap则返回FlatMappedRDD。当我们执行map或flatMap操作时，不过是将当前RDD对象传递给对应的RDD对象而已。
注意：创建的Maven工程，以下是 pom.xml 中的依赖：
<dependencies> <dependency> <groupId>junit</groupId> <artifactId>junit</artifactId> <version>4.12</version> </dependency> <dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-core_2.10</artifactId> <version>1.6.1</version> </dependency> <dependency> <groupId>org.apache.hadoop</groupId> <artifactId>hadoop-client</artifactId> <version>2.6.4</version> </dependency> <dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-sql_2.10</artifactId> <version>1.6.1</version> </dependency> </dependencies>
二：从Hadoop文件系统（或与Hadoop兼容的其他持久化存储系统，如Hive，HBase）输出（HDFS）创建。
eg： 求HDFS文件中内容所有行数据长度及总长度。
public class TestRDD1 {
public static void main(String[] args) {
createRDDFromHDFS();
}
private static void createRDDFromHDFS(){
SparkConf conf = new SparkConf();
conf.set("spark.testing.memory", "269522560000");
JavaSparkContext sc = new JavaSparkContext("local", "Spark Test", conf);
System.out.println( sc );
JavaRDD<String> rdd = sc.textFile("hdfs://192.168.226.129:9000/txt/sparkshell/sparkshell.txt");
JavaRDD<Integer> newRDD = rdd.map( new Function<String,Integer>(){
private static final long serialVersionUID = 1L;
public Integer call(String string) throws Exception {
System.out.println( string + " " + string.length() );
return string.length();
}
});
System.out.println( newRDD.count() );
int length = newRDD.reduce( new Function2<Integer, Integer, Integer>(){
private static final long serialVersionUID = 1L;
public Integer call(Integer int1, Integer int2) throws Exception {
return int1+int2;
}
});
System.out.println("总和" + length);
}
}三：通过parallelize或makeRDD将单击数据创建为分布式RDD。
eg：求总和。
public class TestRDD2 {
public static void main(String[] args) {
createRDDFromSuperRDD();
}
/**
* JavaSparkContext(String master, String appName, SparkConf conf)
* master - Cluster URL to connect to (e.g. mesos://host:port, spark://host:port, local[4]).
* appName - A name for your application, to display on the cluster web UI
* conf - a SparkConf object specifying other Spark parameters
* */
private static void createRDDFromSuperRDD(){
SparkConf conf = new SparkConf();
conf.set("spark.testing.memory", "269522560000");
JavaSparkContext sc = new JavaSparkContext("local", "Spark Test", conf);
System.out.println( sc );
List<Integer> list = new ArrayList<Integer>();
for( int i=1;i<=10;i++){
list.add(i);
}
JavaRDD<Integer> rdd = sc.parallelize(list);
JavaRDD<Integer> newRDD = rdd.map( new Function<Integer,Integer>(){
private static final long serialVersionUID = 1L;
public Integer call(Integer int1) throws Exception {
return int1;
}
});
int count = newRDD.reduce( new Function2<Integer, Integer, Integer>(){
private static final long serialVersionUID = 1L;
public Integer call(Integer int1, Integer int2) throws Exception {
return int1+int2;
}
});
System.out.println("总和" + count);
}
}注意： 上述两段代码中，在获取 JavaSparkContext的时候，是这样写的：
SparkConf conf = new SparkConf();
conf.set("spark.testing.memory", "269522560000"); // 给jvm足够的资源。
JavaSparkContext sc = new JavaSparkContext("local", "Spark Test", conf);
而对于标记的加粗红色部分，参照API如下：
JavaSparkContext(String master, String appName, SparkConf conf)
-master - Cluster URL to connect to (e.g. mesos://host:port, spark://host:port, local[4]).
-appName - A name for your application, to display on the cluster web UI
-conf - a SparkConf object specifying other Spark parameters
对于master，官网有详细的介绍：
我这里写的是 "local"，表示的是：
对于本地模式测试和单元测试，可以通过"local"在spark内运行程序。
******************************
另外写的一段，对算子中一些基本方法的使用
参考学习：
RDD算子分类： http://my.oschina.net/gently/blog/686800 （自己的。）
public class TestRDD3 {
private static String appName = "Test Spark RDD";
private static String master = "local";
public static void main(String[] args) {
SparkConf conf = new SparkConf();
conf.set("spark.testing.memory", "269522560000");
JavaSparkContext sc = new JavaSparkContext(master, appName, conf);
System.out.println( sc );
List<String> list = new ArrayList<String>();
list.add( "Berg" );
list.add( "Hadoop" );
list.add( "HBase" );
list.add( "Hive" );
list.add( "Spark" );
JavaRDD<String> rdd = sc.parallelize(list);
JavaRDD<Integer> newrdd = rdd.map( new Function<String,Integer>(){
private static final long serialVersionUID = 1L;
public Integer call(String string) throws Exception {
System.out.println( string + "\t" +string.length() );
return string.length();
}
});
Integer length = newrdd.reduce( new Function2<Integer, Integer, Integer>() {
private static final long serialVersionUID = 1L;
public Integer call(Integer i1, Integer i2) throws Exception {
return i1+i2;
}
});
long count = newrdd.count();
List<Integer> listnewrdd = newrdd.collect();
for (Integer integer : listnewrdd) {
System.out.print(integer + " \t" );
}
System.out.println( "\nlength --> " + length + " " + count );
System.out.println( "\n\n**************************************\n\n");
List<Integer> list1 = new ArrayList<Integer>();
for( int i=1; i<=5;i++){
list1.add( i );
}
JavaRDD<Integer> rdd1 = sc.parallelize(list1);
JavaRDD<Integer> unionrdd = newrdd.union(rdd1);
JavaRDD<Integer> rdd2 = unionrdd.map( new Function<Integer,Integer>(){
private static final long serialVersionUID = 1L;
public Integer call(Integer i) throws Exception {
return i;
}
});
long count2 = rdd2.reduce( new Function2<Integer, Integer, Integer>() {
private static final long serialVersionUID = 1L;
public Integer call(Integer arg0, Integer arg1) throws Exception {
return arg0 + arg1;
}
});
System.out.println("count2 --> " +count2 );
rdd2.foreach( new VoidFunction<Integer>(){
private static final long serialVersionUID = 1L;
public void call(Integer arg0) throws Exception {
System.out.println( "foreach--> " + arg0 );
}
});
}
}到此，关于“Spark RDD的创建方式及算子的使用方法是什么”的学习就结束了，希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习，快去试试吧！若想继续学习更多相关知识，请继续关注亿速云网站，小编会继续努力为大家带来更多实用的文章！
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
