Spark 基础 —— RDD(二)
来源:互联网 发布:mysql 保持数据一致性 编辑:程序博客网 时间:2024/04/29 19:18
弹性分布式数据集(Resilient Distributed Dataset),简称 RDD,RDD 是 Spark 所提供的最基本的数据抽象,代表分布在集群中多台机器上的对象集合。Spark 有两种方法可以创建 RDD:
- (1)用 SparkContext 基于外部数据源创建 RDD,外部数据源包括
- HDFS 上的文件
- 通过 JDBC 访问的数据库表
- Spark shell 创建的本地对象集合
- (2)在一个或多个已有 RDD 上执行转换操作来创建 RDD,这写转换操作包括:
- 记录过滤
- 对具有相同键值的记录做汇总
- 多个 RDD 关联在一起
使用 SparkContext 的 textFile 方法得到 RDD 形式的数据引用:
scala> val rawData = sc.textFile("kddcup.data")rawData: org.apache.spark.rdd.RDD[String]
把数据从集群上获取到客户端
注意此时类型为RDD[String]
的 rawData
所引用的数据仍然在集群上存储。RDD 有许多方法,我们可以用其成员方法从集群读取数据到客户端机器上的 Scala REPL 中。最为简单的方法大概就是 first 了,该方法向客户端返回 RDD 的第一个元素(RDD 是弹性分布式数据集嘛):
scala> rawData.firstres0: String
first 方法可以对数据集做常规检查,但通常我们更想返回更多样例数据供客户端分析。
scala> rawData.countres1: Long = 4898431
如果 count 方法获悉 RDD 只包含少量记录,可以用 collect 方法向客户端返回一个包含所有 RDD 内容的数组(Array[String]
)。此外还可以使用 take 方法该方法在 first 和 collect 之间做了一些折衷,可以向客户端返回一个包含指定数量记录的数组(Array[String]
),
scala> val head = rawData.take(10)head: Array[String] = Array(...)scala> head(0)res2: Stringscala> head.apply(0)res3: String
0 0
- Spark 基础 —— RDD(二)
- Spark 基础 —— RDD(一)
- Spark总结(二)——RDD的Transformation操作
- Spark 基础——RDD 详解
- Spark基础入门(二)--------DAG与RDD依赖
- Spark RDD编程(二)
- Spark基础入门(一)--------RDD基础
- Spark 基础 —— RDD 常用成员函数
- Spark基础——RDD特性及操作
- Spark源码分析(二)RDD
- Spark源码系列(二)RDD详解
- 走进spark(二) rdd.persist
- spark编程模型(二):RDD详解
- Spark源码系列(二)RDD详解
- Spark源码系列(二)RDD详解
- Spark RDD API 参考示例(二)
- Spark源码系列(二)RDD详解
- Spark源码系列(二)RDD详解
- isa 指针
- 函数调用堆栈
- Fresco的使用
- R笔记
- Manacher算法
- Spark 基础 —— RDD(二)
- Bellman-Ford算法
- hive启动出现权限错误 /tmp/hive on HDFS should be writable.
- Educational Codeforces Round 12 E. Beautiful Subarrays
- 无题
- Masonry适配——(3)UILable如何设置多行显示
- Android SD卡简单的文件读写操作
- spring @service @comment 原理
- 设计模式——策略对象