Spark2.3.0 创建RDD

Spark的核心概念是弹性分布式数据集(RDD),RDD 是一个可容错、并行操作的分布式元素集合。有两种方法可以创建 RDD 对象:

  • 在驱动程序中并行化操作已存在集合来创建 RDD
  • 从外部存储系统中引用数据集(如:共享文件系统、HDFS、HBase 或者其他 Hadoop 支持的数据源)。

1. 并行化集合

在你驱动程序的现有集合上调用 JavaSparkContextparallelize 方法创建并行化集合(Parallelized collections)。集合的元素被复制以形成可以并行操作的分布式数据集。 例如,下面是如何创建一个包含数字1到5的并行化集合:

Java版本:

List<Integer> list = Arrays.asList(1,2,3,4,5);
JavaRDD<Integer> rdd = sc.parallelize(list);

Scala版本:

val data = Array(1, 2, 3, 4, 5)
val distData = sc.parallelize(data)

Python版本:

data = [1, 2, 3, 4, 5]
distData = sc.parallelize(data)

RDD 一旦创建,分布式数据集(distData)就可以并行操作。例如,我们可以调用 distData.reduce((a,b) - > a + b) 来实现对列表元素求和。我们稍后介绍分布式数据集的操作。

并行化集合的一个重要参数是将数据集分割成多少分区的 partitions 个数。Spark 集群中每个分区运行一个任务(task)。典型场景下,一般为每个CPU分配2-4个分区。但通常而言,Spark 会根据你集群的情况,自动设置分区数。当然,你可以给 parallelize 方法传递第二个参数来手动设置分区数(如:sc.parallelize(data, 10))。

Spark代码里有些地方仍然使用分片(slice)这个术语(分区的同义词),主要为了保持向后兼容。

2. 外部数据集

Spark 可以从 Hadoop 支持的任何存储数据源创建分布式数据集,包括本地文件系统,HDFS,Cassandra,HBase,Amazon S3等。Spark 也支持文本文件,SequenceFiles 以及任何其他 Hadoop 输入格式。

文本文件 RDD 可以使用 SparkContexttextFile 方法创建。该方法根据URL获取文件(机器的本地路径,或 hdfs://s3n:// 等等),并按行读取。下面是一个示例调用:

Java版本:

JavaRDD<String> distFile = sc.textFile("data.txt");

Scala版本:

scala> val distFile = sc.textFile("data.txt")
distFile: org.apache.spark.rdd.RDD[String] = data.txt MapPartitionsRDD[10] at textFile at <console>:26

Python版本:

>>> distFile = sc.textFile("data.txt")

一旦创建完成,就可以在 distFiile 上做数据集操作。例如,我们可以用下面的方式使用 map 和 reduce 操作将所有行的长度相加:

distFile.map(s -> s.length()).reduce((a, b) -> a + b);

Spark读文件时一些注意事项:

(1) 如果使用本地文件系统路径,在所有工作节点上该文件必须都能用相同的路径访问到。要么能复制文件到所有的工作节点,要么能使用网络的方式共享文件系统。

(2) Spark 所有基于文件的输入方法,包括 textFile,能很好地支持文件目录,压缩文件和通配符。例如,你可以使用:

textFile("/my/directory")
textFile("/my/directory/*.txt")
textFile("/my/directory/*.gz")

(3) textFile 方法也可以选择第二个可选参数来控制文件分区数目,默认情况下,Spark 为每一个文件块创建一个分区(HDFS中分块大小默认为128MB),你也可以通过传递一个较大数值来请求更多分区。注意的是,分区数目不能少于分块数目。

除了文本文件,Spark 的 Java API 还支持其他几种数据格式:

(1) JavaSparkContext.wholeTextFiles 可以读取包含多个小文本文件的目录,并将它们以(文件名,内容)键值对返回。这与 textFile 相反,textFile 将在每个文件中每行返回一条记录。

JavaPairRDD<String, String> rdd = sc.wholeTextFiles("/home/xiaosi/wholeText");
List<Tuple2<String, String>> list = rdd.collect();
for (Tuple2<?, ?> tuple : list) {
System.out.println(tuple._1() + ": " + tuple._2());
}

(2) 对于 SequenceFiles,可以使用 SparkContext 的 sequenceFile[K,V] 方法,其中 K 和 V 是文件中的键和值的类型。这些应该是 Hadoop 的 Writable 接口的子类,如 IntWritable 和 Text。

(3) 对于其他 Hadoop InputFormats,你可以使用 JavaSparkContext.hadoopRDD 方法,该方法采用任意 JobConf 和输入格式类,键类和值类。将这些设置与使用输入源的 Hadoop 作业相同。你还可以使用基于“新” MapReduce API(org.apache.hadoop.mapreduce)的 InputFormats 的 JavaSparkContext.newAPIHadoopRDD

(4) JavaRDD.saveAsObjectFileSparkContext.objectFile 支持保存一个 RDD,保存格式是一个简单的 Java 对象序列化格式。这是一种效率不高的专有格式,如 Avro,它提供了简单的方法来保存任何一个 RDD。

Spark版本: 2.3.0

原文:http://spark.apache.org/docs/2.3.0/rdd-programming-guide.html#resilient-distributed-datasets-rdds

赏几毛白!