RDD编程

1.RDD基础：

成都创新互联为企业级客户提高一站式互联网+设计服务，主要包括成都网站制作、做网站、外贸营销网站建设、成都App制作、微信平台小程序开发、宣传片制作、LOGO设计等，帮助客户快速提升营销能力和企业形象，创新互联各部门都有经验丰富的经验，可以确保每一个作品的质量和创作周期，同时每年都有很多新员工加入，为我们带来大量新的创意。 

  Spark中RDD是不可变的分布式对象集合。每个RDD被分为多个分区，这些分区运行在集群中的不同节点上。RDD可以包含任意类型的对象（甚至可以是自定义的）。

 前面讲到，Spark包含转化操作和行动操作。Spark只会惰性计算这些RDD。它们只有第一次在一个行动操作中用到时，才会真正计算。默认情况下，Spark的RDD会在你每次对它们进行行动操作时重新计算。如果想在多个行动操作中重用同一个RDD，可以使用RDD.persist()让Spark把这个RDD缓存（内存或者磁盘）下来。

2.创建RDD：

Spark提供2种创建方式：

(1)读取外部数据集：之前的sc.textFile()就属于这种类型。更加常用的方式。

(2)在驱动器程序中对一个集合（list、Set等）进行并行化，要使用SparkContext.parallelize()方法。

3.RDD操作：

RDD主要分成数据类型RDD和键值对RDD。有一些操作可以适用于所有类型的RDD，这时候可以直接创建JavaRDD对象，例如map()，filter()等。有些操作只适用于数据类型的RDD，例如 ，这时候创建JavaDoubleRDD对象。有些操作只适用于键值对RDD，例如 ，这时候创建JavaPairRDD对象。

3.1 转化操作：

3.1.1 谱系图：

通过转化操作，从已有的RDD中派生出新的RDD，Spark会使用谱系图来记录这些不同RDD之间的依赖关系。如下图所示：

3.1.2 ：

1. 基本的转化操作（map、flatMap、filter、distinct、sample），假设RDD的数据{1, 2, 3, 3}:

2. RDD的集合操作（union、intersection、subtract、cartesian），两个RDD分别是{1,2,3}、{3,4,5}：

函数名	作用	例子	运行结果
map()	Apply a function to each element in the RDD and return an RDD of the result.	rdd.map(x => x +1)	{2, 3, 4, 4}
flatMap()	Apply a function to each element in the RDD and return an RDD of the contents of the iterators returned. Often used to extract words.	rdd.flatMap(x =>x.to(3))	{1, 2, 3, 2, 3, 3, 3}
filter()	Return an RDD consisting of only elements that pass the condition passed to filter().	rdd.filter(x => x!= 1)	{2, 3, 3}
distinct()	Remove duplicates.	rdd.distinct()	{1, 2, 3}
sample(withReplacement,fraction, [seed])	Sample an RDD, with or without replacement.	rdd.sample(false,0.5)	不确定
union()	Produce an RDD containing elements from both RDDs.	rdd.union(other)	{1, 2, 3, 3, 4, 5}
intersection()	RDD containing only elements found in both RDDs.	rdd.intersection(other)	{3}
subtract()	Remove the contents of one RDD (e.g., remove training data).	rdd.subtract(other)	{1, 2}
cartesian()	Cartesian product with the other RDD.	rdd.cartesian(other)	{(1, 3), (1, 4),… (3, 5)}

4.给Spark传递函数:

大多数的转化操作和一部分行动操作，都需要给Spark方法传递函数。在java中，函数式实现了包org.apache.spark.api.java.function下面任意一个接口的类。该包下面有许多接口，下面是一些基础接口:

函数名	需要实现的方法	用法
Function	R call(T)	Take in one input and return one output, for use with operations like map()and filter().
Function2	R call(T1, T2)	Take in two inputs and return one output, for use with operations like aggregate() or fold().
FlatMapFunction	Iterable call(T)	Take in one input and return zero or more outputs, for use with operations like flatMap().

文章标题：RDD编程
URL分享：http://bjjierui.cn/article/jghsje.html