上一篇博客什么是RDD?一文带你快速了解Spark中RDD的概念!为大家带来了RDD的概述之后。本篇博客，博主将继续前进，为大家带来RDD编程系列。
该系列第一篇，为大家带来的是编程模型的理解与RDD的创建!
一. RDD 编程模型
在 Spark 中，RDD 被表示为对象，通过对象上的方法调用来对 RDD 进行转换。
经过一系列的transformations定义 RDD 之后，就可以调用 actions 触发 RDD 的计算
action可以是向应用程序返回结果(count, collect等)，或者是向存储系统保存数据(saveAsTextFile等)。
在Spark中，只有遇到action，才会执行 RDD 的计算(即延迟计算)，这样在运行时可以通过管道的方式传输多个转换。
要使用 Spark，开发者需要编写一个 Driver 程序，它被提交到集群以调度运行 Worker
Driver 中定义了一个或多个 RDD，并调用 RDD 上的 action，Worker 则执行 RDD 分区计算任务。
二. RDD的创建
在Spark中创建RDD的创建方式可以分为三种：
- 从集合中创建RDD；
- 从外部存储创建RDD；
- 从其他RDD创建。
2.1 从集合中创建 RDD
- 1. 使用parallelize函数创建
scala> val arr = Array(10,20,30,40,50,60)
arr: Array[Int] = Array(10, 20, 30, 40, 50, 60)
scala> val rdd1 = sc.parallelize(arr)
rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[0] at parallelize at <console>:26- 2. 使用makeRDD函数创建
makeRDD和parallelize是一样的.
代码语言：javascript复制scala> val rdd1 = sc.makeRDD(Array(10,20,30,40,50,60))
rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[0] at makeRDD at <console>:24说明:
- 一旦 RDD 创建成功, 就可以通过并行的方式去操作这个分布式的数据集了.
parallelize和makeRDD还有一个重要的参数就是把数据集切分成的分区数.- Spark 会为每个分区运行一个任务(task). 正常情况下, Spark 会自动的根据你的集群来设置分区数
2.2 从外部存储创建 RDD
Spark 也可以从任意 Hadoop 支持的存储数据源来创建分布式数据集. 可以是本地文件系统, HDFS, Cassandra, HVase, Amazon S3 等等. Spark 支持 文本文件, SequenceFiles, 和其他所有的 Hadoop InputFormat.
代码语言：javascript复制scala> var distFile = sc.textFile("words.txt")
distFile: org.apache.spark.rdd.RDD[String] = words.txt MapPartitionsRDD[1] at textFile at <console>:24
scala> distFile.collect
res0: Array[String] = Array(buwenbuhuo hello, hello world, how are you, zbc ltgb)说明:
- 1
url可以是本地文件系统文件,hdfs://...,s3n://...等等 - 2 如果是使用的本地文件系统的路径, 则必须每个节点都要存在这个路径
- 3 所有基于文件的方法, 都支持目录, 压缩文件, 和通配符(*). 例如:
textFile("/my/directory"),textFile("/my/directory/*.txt"), and textFile("/my/directory/*.gz"). - 4 textFile还可以有第二个参数, 表示分区数. 默认情况下, 每个块对应一个分区.(对 HDFS 来说, 块大小默认是
128M). 可以传递一个大于块数的分区数, 但是不能传递一个比块数小的分区数. - 5 关于读取文件和保存文件的其他知识, 后面会专门介绍介绍.
2.3 从其他 RDD 转换得到新的 RDD
就是通过 RDD 的各种转换算子来得到新的 RDD.
本次的分享就到这里了
