大数据随记 —— RDD 的创建

在这里插入图片描述

一、从集合（内存）中创建 RDD

Spark 会将集合中的数据拷贝到集群上去，形成一个分布式的数据集合，也就是形成一个 RDD。也就是说，集合中的部分数据会到一个节点上，另一部分的数据会到其他节点上，这样就可以用并行的方式来操作分布式数据集合。

① parallelize() 和 makeRDD()

从集合中创建 RDD，Spark 主要提供了两个方法：parallelize() 和 makeRDD()

val sparkConf = new SparkConf().setMaster("local[*]").setAppName("spark")  
val sparkContext = new SparkContext(sparkConf)  
  
val rdd1 = sparkContext.parallelize(List(1,2,3,4))  
val rdd2 = sparkContext.makeRDD(List(1,2,3,4))  
  
rdd1.collect().foreach(println)  
rdd2.collect().foreach(println)  

sparkContext.stop()  

从底层代码实现来讲，makeRDD 方法其实就是 parallelize 方法。

② parallelize() 的 partition 数量

1、Spark 默认会根据集群的情况来设置 partition 的数量，也可以在调用 parallelize 方法时，传入第二个参数，来设置 RDD 的 partition 数量，比如 parallelize(arr,10)。

2、Spark 会为每一个 partition 运行一个 task 来进行处理，通过 WebUI 可以查看。

二、从加载文件（外存）创建 RDD

Spark 支持使用任何 Hadoop 所支持的存储系统上的文件创建 RDD，例如 HDFS、HBase 等文件。通过 调用 SparkContext 的 textFile() 方法，可以针对本地文件或 HDFS 文件创建 RDD。通过读取文件来创建 RDD，文件中的每一行就是 RDD 中的一个元素。

val sparkConf =  new SparkConf().setMaster("local[*]").setAppName("spark")  
val sparkContext = new SparkContext(sparkConf)  
val fileRDD: RDD[String] = sparkContext.textFile("input")  
  
fileRDD.collect().foreach(println)  
sparkContext.stop()

三、从 RDD 转换成新的 RDD

将会在 RDD 的转换中讲解。