原文链接：
我们都知道，Apache Spark内置了很多操作数据的API。但是很多时候，当我们在现实中开发应用程序的时候，我们需要解决现实中遇到的问题，而这些问题可能在Spark中没有相应的API提供，这时候，我们就需要通过扩展Spark API来实现我们自己的方法。
我们可以通过两种方法来扩展Spark API，（1）、其中一种就是在现有的RDD中添加自定义的方法；（2）、第二种就是创建属于我们自己的RDD。在这篇文章中，我将对这两种方法进行阐述，并赋予代码 。下面我就开始介绍第一种方法。
假如我们中有一些商品的销售数据，数据的格式是CSV的。为了简单起见，假如每行数据都是由id, customerId, itemId 以及itemValue四个字段组成，我们用SalesRecord来表示：
1 |
class SalesRecord(val id: String, |
2 |
val customerId: String, |
4 |
val itemValue: Double) extends Comparable[SalesRecord] |
所以我们可以将商品的销售数据进行解析，并存储到RDD[SalesRecord]中：
11 |
val sc = new SparkContext(args(0), "iteblogRDDExtending") |
13 |
val salesRecordRDD = dataRDD.map(row => { |
14 |
val colValues = row.split(",") |
15 |
new SalesRecord(colValues(0),colValues(1), |
16 |
colValues(2),colValues(3).toDouble) |
如果我们想计算出这些商品的总销售额，我们会这么来写：
1 |
salesRecordRDD.map(_.itemValue).sum |
虽然这看起来很简洁，但是理解起来却有点困难。但是如果我们可以这么来写，可能会很好理解：
1 |
salesRecordRDD.totalSales |
在上面的代码片段中，totalSales方法让我们感觉就是Spark内置的操作一样，但是Spark是不提供这个方法的，我们需要在现有的RDD中实现我们自定义的操作。
下面我就来介绍一些如何在现有的RDD中添加我们自定义的方法。
一、定义一个工具类，来存放我们所有自定义的操作
当然，你完全没必要自定义一个类类添加我们自定义的方法，但是为了管理，还是建议你这么做。下面我们来定义IteblogCustomFunctions类，它存储所有我们自定义的方法。它是专门用来处理RDD[SalesRecord]，所以这个类中提供的操作全部是用来处理销售数据的：
1 |
class IteblogCustomFunctions(rdd:RDD[SalesRecord]) { |
2 |
def totalSales =rdd.map(_.itemValue).sum |
二、隐形转换来实现在RDD中添加方法
我们定义了隐形的addIteblogCustomFunctions函数，这可以将所有操作销售数据的方法作用于RDD[SalesRecord]上：
11 |
object IteblogCustomFunctions { |
12 |
implicit def addIteblogCustomFunctions(rdd: RDD[SalesRecord]) = new |
13 |
IteblogCustomFunctions(rdd) |
三、使用自定义的方法
下面方法通过导入IteblogCustomFunctions 中的相应方法来实现使用我们自定义的方法：
1 |
import IteblogCustomFunctions._ |
2 |
println(salesRecordRDD.totalSales) |
通过上面三步我们就可以在现有的RDD中添加我们自定义的方法。
自定义一个RDD类
在上文中我介绍了如何在现有的RDD中添加自定义的函数。本文将介绍如何自定义一个RDD类，假如我们想对没见商品进行打折，我们想用Action操作来实现这个操作，下面我将定义IteblogDiscountRDD类来计算商品的打折，步骤如下：
一、创建IteblogDiscountRDD类
自定义RDD类需要继承Spark中的RDD类，并实现其中的方法：
10 |
classIteblogDiscountRDD(prev:RDD[SalesRecord],xxxxx:Double) |
11 |
extends RDD[SalesRecord](prev){ |
14 |
override def compute(split: Partition, context: TaskContext): Iterator[SalesRecord] = { |
15 |
firstParent[SalesRecord].iterator(split, context).map(salesRecord => { |
16 |
val discount = salesRecord.itemValue*discountPercentage |
17 |
new SalesRecord(salesRecord.id, |
18 |
salesRecord.customerId,salesRecord.itemId,discount) |
22 |
override protected def getPartitions: Array[Partition] = |
23 |
firstParent[SalesRecord].partitions |
上面代码中，我创建了一个IteblogDiscountRDD类，这个RDD只操纵销售数据，当我们继承RDD类时，我们必须重载两个方法：
compute
这个函数是用来计算RDD中每个的分区的数据，在我代码中，我们输入了销售数据，并对其中的数据计算打折计算。
getPartitions
getPartitions函数允许开发者为RDD定义新的分区，在我们的代码中，并没有改变RDD的分区，重用了父RDD的分区。
定义IteblogDiscountRDD的时候将类型写死了(SalesRecord)，它只能用来处理SalesRecord数据。如果我们想定义一个通用的RDD，只需要类似下面写即可
01 |
classIteblogRDD(prev:RDD[T],XXXX:C) |
05 |
override def compute(split: Partition, context: TaskContext): Iterator[T] = { |
06 |
................................ |
10 |
override protected def getPartitions: Array[Partition] = |
11 |
................................ |
二、自定义discount函数
我们自定义discount函数，该函数可以创建一个IteblogDiscountRDD：
1 |
def discount(discountPercentage:Double) = new IteblogDiscountRDD(rdd,discountPercentage) |
三、使用IteblogDiscountRDD
使用IteblogDiscountRDD也是非常简单的，我们可以像使用内置的RDD一样来使用：
1 |
import IteblogCustomFunctions._ |
3 |
val discountRDD = salesRecordRDD.discount(0.1) |
4 |
println(discountRDD.collect().toList) |
自此，我们已经学会了如何在现有的RDD中定义方法和自定义自己的RDD。
