Spark编程模型(中)

创建RDD

• 方式一：从集合创建RDD

1. makeRDD
2. Parallelize

注意：makeRDD可以指定每个分区perferredLocations参数parallelize则没有。

• 方式二：读取外部存储创建RDD

　　Spark与Hadoop完全兼容，所以对Hadoop所支持的文件类型或者数据库类型，Spark同样支持。

1.  多文件格式支持：

2.  多文件系统支持：

　　  1)本地文件系统

　　  2)S3

　　  3)HDFS

3.  数据库

　　  1)JdbcRDD

　　  2)spark-cassandra-connector（datastax/spark-cassandra-connector）

　　  3)org.apache.hadoop.hbase.mapreduce.TableInputFormat(SparkContext.newAPIHadoopRDD)

　　  4)Elasticsearch-Hadoop

控制操作

1.  persist操作，可以将RDD持久化到不同层次的存储介质，以便后续操作重复使用。

　　  1)cache:RDD[T]

　　  2)persist:RDD[T]

　　  3)Persist(level:StorageLevel):RDD[T]

2. checkpoint

　　将RDD持久化到HDFS中，与persist操作不同的是checkpoint会切断此RDD之前的依赖关系，而persist依然保留RDD的依赖关系。

　　注意：控制操作的细节会在后续章节专门讲解

 

 转换操作

• 基本转换操作1

　　（1）RDD的转化操作是返回新的RDD的操作；

　　（2）我们不应该把RDD看作存放着特定数据的数据集，而最好把每个RDD当作我们通过转化操作构建出来的、记录如何计算数据的指令列表。

• 基本转换操作2

action操作

 

以上就是博主为大家介绍的这一板块的主要内容，这都是博主自己的学习过程，希望能给大家带来一定的指导作用，有用的还望大家点个支持，如果对你没用也望包涵，有错误烦请指出。如有期待可关注博主以第一时间获取更新哦，谢谢！