5、创建RDD（集合、本地文件、HDFS文件）
一、创建RDD
1、创建RDD
进行Spark核心编程时，首先要做的第一件事，就是创建一个初始的RDD。该RDD中，通常就代表和包含了Spark应用程序的输入源数据。然后在创建了初始的RDD之后，才可以通过Spark Core提供的transformation算子，对该RDD进行转换，来获取其他的RDD。 Spark Core提供了三种创建RDD的方式，包括：使用程序中的集合创建RDD；使用本地文件创建RDD；使用HDFS文件创建RDD。 1、使用程序中的集合创建RDD，主要用于进行测试，可以在实际部署到集群运行之前，自己使用集合构造测试数据，来测试后面的spark应用的流程。 2、使用本地文件创RDD，主要用于临时性地处理一些存储了大量数据的文件。 3、使用HDFS文件创建RDD，应该是最常用的生产环境处理方式，主要可以针对HDFS上存储的大数据，进行离线批处理操作。
2、并行化集合创建RDD
如果要通过并行化集合来创建RDD，需要针对程序中的集合，调用SparkContext的parallelize()方法。Spark会将集合中的数据拷贝到集群上去，形成一个分布式的数据集合，也就是一个RDD。相当于是，集合中的部分数据会到一个节点上，而另一部分数据会到其他节点上。然后就可以用并行的方式来操作这个分布式数据集合，即RDD。 调用parallelize()时，有一个重要的参数可以指定，就是要将集合切分成多少个partition。Spark会为每一个partition运行一个task来进行处理。Spark官方的建议是，为集群中 的每个CPU创建2~4个partition。Spark默认会根据集群的情况来设置partition的数量。但是也可以在调用parallelize()方法时，传入第二个参数，来设置RDD的partition数量。 比如parallelize(arr, 10) // 案例：1到10累加求和 ###java实现 package cn.spark.study.core; import java.util.Arrays; import java.util.List; import org.apache.spark.SparkConf; import org.apache.spark.api.java.JavaRDD; import org.apache.spark.api.java.JavaSparkContext; import org.apache.spark.api.java.function.Function2; /** * 并行化集合创建RDD * * @author bcqf * */ public class ParallelizeCollection { public static void main(String[] args) { // 创建SparkConf SparkConf conf = new SparkConf().setAppName("ParallelizeCollection").setMaster("local"); // 创建JavaSparkContext JavaSparkContext sc = new JavaSparkContext(conf); // 要通过并行化集合的方式创建RDD，那么就调用SparkContext以及其子类，的parallelize()方法 List<Integer> numbers = Arrays.asList(1, 2, 3, 4, 5, 6, 7, 8, 9, 10); JavaRDD<Integer> numberRDD = sc.parallelize(numbers); // 执行reduce算子操作 // 相当于，先进行1 + 2 = 3；然后再用3 + 3 = 6；然后再用6 + 4 = 10...以此类推; int sum = numberRDD.reduce(new Function2<Integer, Integer, Integer>() { private static final long serialVersionUID = 1L; @Override public Integer call(Integer num1, Integer num2) throws Exception { // TODO Auto-generated method stub return num1 + num2; } }); //输入累加和 System.out.println("1-10的累加和：" + sum); // 关闭JavaSparkContext sc.close(); } } ###scala实现 package cn.spark.study.core import org.apache.spark.SparkConf import org.apache.spark.SparkContext object ParallelizeCollection { def main(args: Array[String]) { val conf = new SparkConf().setAppName("ParallelizeCollection").setMaster("local"); val sc = new SparkContext(conf) val numbers = Array(1, 2, 3, 4, 5, 6, 7, 8, 9, 10) val numberRDD = sc.parallelize(numbers, 5) val sum = numberRDD.reduce(_ + _) println("1-10的累加和：" + sum) } }
3、使用本地文件和HDFS创建RDD
Spark是支持使用任何Hadoop支持的存储系统上的文件创建RDD的，比如说HDFS、Cassandra、HBase以及本地文件。通过调用SparkContext的textFile()方法，可以针对本地文件或HDFS文件创建RDD。 有几个事项是需要注意的： 1、如果是针对本地文件的话，如果是在windows上本地测试，windows上有一份文件即可；如果是在spark集群上针对linux本地文件，那么需要将文件拷贝到所有worker节点上。 2、Spark的textFile()方法支持针对目录、压缩文件以及通配符进行RDD创建。 3、Spark默认会为hdfs文件的每一个block创建一个partition，但是也可以通过textFile()的第二个参数手动设置分区数量，只能比block数量多，不能比block数量少。 -------------------案例：文件字数统计 ；本地文件------------------- ##java实现 package cn.spark.study.core; import org.apache.spark.SparkConf; import org.apache.spark.api.java.JavaRDD; import org.apache.spark.api.java.JavaSparkContext; import org.apache.spark.api.java.function.Function; import org.apache.spark.api.java.function.Function2; /** * 使用本地文件创建RDD * 案例：统计文本文件字数 * @author bcqf * */ public class LocalFile { public static void main(String[] args) { // 创建SparkConf SparkConf conf = new SparkConf().setAppName("LocalFile").setMaster("local"); // 创建JavaSparkContext JavaSparkContext sc = new JavaSparkContext(conf); // 调用SparkContext以及其子类的textFile()方法，针对本地文件创建RDD JavaRDD<String> lines = sc.textFile("D://spark.txt"); // 统计文本文件内的字数; Function<String, Integer> :String是接收类型，Integer是返回类型 JavaRDD<Integer> lineLength = lines.map(new Function<String, Integer>() { private static final long serialVersionUID = 1L; @Override public Integer call(String v1) throws Exception { return v1.length(); } });
//Function2<T1, T2, R> ; call(T1 v1, T2 v2) int count = lineLength.reduce(new Function2<Integer, Integer, Integer>() { private static final long serialVersionUID = 1L; @Override public Integer call(Integer v1, Integer v2) throws Exception { return v1 + v2; } }); System.out.println("文字总数是：" + count); // 关闭JavaSparkContext sc.close(); } } -------------------案例：文件字数统计 ；HDFS文件------------------- ##java实现 package cn.spark.study.core; import org.apache.spark.SparkConf; import org.apache.spark.api.java.JavaRDD; import org.apache.spark.api.java.JavaSparkContext; import org.apache.spark.api.java.function.Function; import org.apache.spark.api.java.function.Function2; /** * 使用HDFS文件创建RDD * 案例：统计文本文件字数 * @author bcqf * */ public class HDFSFile { public static void main(String[] args) { // 创建SparkConf SparkConf conf = new SparkConf().setAppName("HDFSFile"); // 创建JavaSparkContext JavaSparkContext sc = new JavaSparkContext(conf); // 调用SparkContext以及其子类的textFile()方法，针对HDFS文件创建RDD JavaRDD<String> lines = sc.textFile("hdfs://spark1:9000/spark.txt"); // 统计文本文件内的字数 JavaRDD<Integer> lineLength = lines.map(new Function<String, Integer>() { private static final long serialVersionUID = 1L; @Override public Integer call(String v1) throws Exception { return v1.length(); } }); int count = lineLength.reduce(new Function2<Integer, Integer, Integer>() { private static final long serialVersionUID = 1L; @Override public Integer call(Integer v1, Integer v2) throws Exception { return v1 + v2; } }); System.out.println("文字总数是：" + count); // 关闭JavaSparkContext sc.close(); } } [root@spark1 java]# cat hdfs_file.sh #运行脚本 /usr/local/spark/bin/spark-submit \ --class cn.spark.study.core.HDFSFile \ --num-executors 3 \ --driver-memory 100m \ --executor-memory 100m \ --executor-cores 3 \ /usr/local/spark-study/java/saprk-study-java-0.0.1-SNAPSHOT-jar-with-dependencies.jar \ ##打maven包-->上传-->运行 -------------------案例：文件字数统计 ；本地文件------------------- ##scala实现 package cn.spark.study.core import org.apache.spark.SparkConf import org.apache.spark.SparkContext object LocalFile { def main(args: Array[String]) { val conf = new SparkConf().setAppName("LocalFile").setMaster("local") val sc = new SparkContext(conf) val lines = sc.textFile("D://spark.txt", 1) val count = lines.map {line => line.length() }.reduce(_ + _) println("file's count is: " + count) } } -------------------案例：文件字数统计 ；HDFS文件------------------- ##scala实现 package cn.spark.study.core import org.apache.spark.SparkConf import org.apache.spark.SparkContext object HDFSFile { def main(args: Array[String]) { val conf = new SparkConf().setAppName("HDFSFile") val sc = new SparkContext(conf) val lines = sc.textFile("hdfs://spark1:9000/spark.txt", 1) val count = lines.map {line => line.length() }.reduce(_ + _) println("file's count is: " + count) } } [root@spark1 scala]# cat hdfs_file.sh #运行脚本 /usr/local/spark/bin/spark-submit \ --class cn.spark.study.core.HDFSFile \ --num-executors 3 \ --driver-memory 100m \ --executor-memory 100m \ --executor-cores 3 \ /usr/local/spark-study/scala/spark-study-scala.jar \ ##打jar包(spark-study-scala.jar)-->上传-->运行
