学习Spark中的RDD
文章目录
一、RDD概念
Spark提供了一种对数据的核心抽象,称为弹性分布式数据集(Resilient Distributed Dataset,RDD)。这个数据集的全部或部分可以缓存在内存中,并且可以在多次计算时重用。RDD其实就是一个分布在多个节点上的数据集合。
RDD的弹性主要是指当内存不够时,数据可以持久化到磁盘,并且RDD具有高效的容错能力。
分布式数据集是指一个数据集存储在不同的节点上,每个节点存储数据集的一部分。
二、准备工作
(一)准备数据文件
1.创建本地文件
在本地 /home 目录里创建 test.txt 文件
2.启动HDFS服务
执行命令:start-dfs.sh 命令
3.上传文件到HDFS
将文件 test.txt 传到HDFS的 /park 目录里
并查看
(二)启动Spark Shell
1.启动Spark服务
执行命令:start-all.sh
2.启动Spark Shell
执行命令:spark-shell --master=local[*]
查看Spark Shell的WebUI界面
三、创建RDD
(一)从对象集合创建RDD
1.利用parallelize()
方法创建RDD
执行命令:val rdd = sc.parallelize(List(1, 2, 3, 4, 5, 6, 7, 8))
2.利用makeRDD()
方法创建RDD
执行命令:val rdd = sc.makeRDD(List(1, 2, 3, 4, 5, 6, 7, 8))
执行命令:rdd.collect()
,收集rdd数据进行显示
(行动算子[action operator]collect()
的括号可以省略)
(二)从外部存储创建RDD
1.读取本地系统文件
执行命令:val rdd = sc.textFile("file:///home/test.txt")
执行命令:val lines = rdd.collect()
,查看RDD中的内容,保存到常量lines
执行命令:lines.foreach(println)
(利用foreach遍历算子)
执行命令:for (line <- lines) println(line)
2.读取HDFS上的文件
执行命令:val rdd = sc.textFile("hdfs://master:9000/park/test.txt")
执行命令:val lines = rdd.collect
,查看RDD中的内容
获取包含spark
的行,执行命令:val sparkLines = rdd.filter(_.contains("spark"))
利用遍历算子显示sparkLines
内容
总结
以上就是本文内容