本地spark下保存rdd为文件

　　写随笔大概也是做笔记记录下自己思考的意思吧，之前有些事情觉得做随笔还是比较有用的，mark一下一个有用的网址

　　关于rdd的操作，网上有很多很多的教程，当初全部顺一遍，除了对rdd这个类型有了点概念，剩下具体的方法以及方法的写法已经快忘记了，所以具体还是记一下对某些事情的思考吧。

　　关于将rdd保存为文件，我使用的是

import org.apache.spark.{SparkConf, SparkContext}

object Wordcount {
  def main(args: Array[String]): Unit = {
    val conf=new SparkConf().setAppName("wordcount").setMaster("local")
    val sc=new SparkContext(conf)

    val rdd1 = sc.parallelize(List(("tom", 1), ("jerry", 3), ("kitty", 2)))
    val rdd2 = sc.parallelize(List(("jerry", 2), ("tom", 1), ("shuke", 2)))
    //求jion
    val rdd3 = rdd1.union(rdd2)
    //按key进行聚合
    val rdd4 = rdd3.reduceByKey(_ + _)
    rdd4.collect().foreach({println})
    //按value的降序排序
    val rdd5 = rdd4.map(t => (t._2, t._1)).sortByKey(false).map(t => (t._2, t._1))
    rdd5.collect().foreach({println})
    rdd5.saveAsTextFile("aaaaa1")
  }

}

　　以上代码，rdd是我通过将两个rdd合并后得到，查看的时候发现rdd5是有两个分区的，输出结果是：

 

　　而保存的文件aaaa1则是一个文件夹，所以如果已存在会报文件已存在的错误无法运行（源代码里应该没有做相关的判断和处理），最终结果生成在文件夹中，如下：

 

　　具体的数据保存在后两个文件夹中：

　　part-00000:

(jerry,5)

 

　　part-00001:

(tom,2)
(shuke,2)
(kitty,2)

 

　　这是按rdd5里面本身的分区数，各分区内容来生成的，而crc指的是循环冗余，.crc文件是指文件摘要，好像并没有什么特殊的，就是进行crc校验的文件。我本来以为crc和几个分区文件的联系有关系，后来想想spark处理大量数据的时候各分区数据的联系也并不算紧密，基本不会去区分前后顺序，并不需要保存彼此的联系。

　　大概发现了两件事情：

1、是小文件产生的大量冗余，有时候这些是没必要的，给读写它带来了一些麻烦，但是这个是有方法解决的，暂时还没有涉猎。

2、分区间不平衡，虽然只是很少条数据，但是之前也有做过某些RDD练习也说明rdd里分区并不会实时帮你平衡各分区的数据数量，但是spark有提供相应的方法，其他的，比如hive可能就不一定了。