從集合創建RDD

• parallelize

def parallelize[T](seq: Seq[T], numSlices: Int = defaultParallelism)(implicit arg0: ClassTag[T]): RDD[T]

從一個Seq集合創建RDD。

參數1：Seq集合，必須。

參數2：分區數，默認為該Application分配到的資源的CPU核數

scala> var rdd = sc.parallelize(1 to 10)

rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[2] at parallelize at :21

?

scala> rdd.collect

res3: Array[Int] = Array(1, 2, 3, 4, 5, 6, 7, 8, 9, 10)

?

scala> rdd.partitions.size

res4: Int = 15

?

//設置RDD為3個分區

scala> var rdd2 = sc.parallelize(1 to 10,3)

rdd2: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[3] at parallelize at :21

?

scala> rdd2.collect

res5: Array[Int] = Array(1, 2, 3, 4, 5, 6, 7, 8, 9, 10)

?

scala> rdd2.partitions.size

res6: Int = 3

?

• makeRDD

def makeRDD[T](seq: Seq[T], numSlices: Int = defaultParallelism)(implicit arg0: ClassTag[T]): RDD[T]

這種用法和parallelize完全相同

def makeRDD[T](seq: Seq[(T, Seq[String])])(implicit arg0: ClassTag[T]): RDD[T]

該用法可以指定每一個分區的preferredLocations。

scala> var collect = Seq((1 to 10,Seq("slave007.lxw1234.com","slave002.lxw1234.com")),

(11 to 15,Seq("slave013.lxw1234.com","slave015.lxw1234.com")))

collect: Seq[(scala.collection.immutable.Range.Inclusive, Seq[String])] = List((Range(1, 2, 3, 4, 5, 6, 7, 8, 9, 10),

List(slave007.lxw1234.com, slave002.lxw1234.com)), (Range(11, 12, 13, 14, 15),List(slave013.lxw1234.com, slave015.lxw1234.com)))

?

scala> var rdd = sc.makeRDD(collect)

rdd: org.apache.spark.rdd.RDD[scala.collection.immutable.Range.Inclusive] = ParallelCollectionRDD[6] at makeRDD at :23

?

scala> rdd.partitions.size

res33: Int = 2

?

scala> rdd.preferredLocations(rdd.partitions(0))

res34: Seq[String] = List(slave007.lxw1234.com, slave002.lxw1234.com)

?

scala> rdd.preferredLocations(rdd.partitions(1))

res35: Seq[String] = List(slave013.lxw1234.com, slave015.lxw1234.com)

?

?

指定分區的優先位置，對后續的調度優化有幫助。

?

從外部存儲創建RDD

• textFile

//從hdfs文件創建.

//從hdfs文件創建

scala> var rdd = sc.textFile("hdfs:///tmp/lxw1234/1.txt")

rdd: org.apache.spark.rdd.RDD[String] = MapPartitionsRDD[26] at textFile at :21

?

scala> rdd.count

res48: Long = 4

?

//從本地文件創建

scala> var rdd = sc.textFile("file:///etc/hadoop/conf/core-site.xml")

rdd: org.apache.spark.rdd.RDD[String] = MapPartitionsRDD[28] at textFile at :21

?

scala> rdd.count

res49: Long = 97

?

注意這里的本地文件路徑需要在Driver和Executor端存在。

• 從其他HDFS文件格式創建

hadoopFile

sequenceFile

objectFile

newAPIHadoopFile

• 從Hadoop接口API創建

hadoopRDD

newAPIHadoopRDD

比如：從HBase創建RDD

scala> import org.apache.hadoop.hbase.{HBaseConfiguration, HTableDescriptor, TableName}

import org.apache.hadoop.hbase.{HBaseConfiguration, HTableDescriptor, TableName}

?

scala> import org.apache.hadoop.hbase.mapreduce.TableInputFormat

import org.apache.hadoop.hbase.mapreduce.TableInputFormat

?

scala> import org.apache.hadoop.hbase.client.HBaseAdmin

import org.apache.hadoop.hbase.client.HBaseAdmin

?

scala> val conf = HBaseConfiguration.create()

scala> conf.set(TableInputFormat.INPUT_TABLE,"lxw1234")

scala> var hbaseRDD = sc.newAPIHadoopRDD(

conf,classOf[org.apache.hadoop.hbase.mapreduce.TableInputFormat],classOf[org.apache.hadoop.hbase.io.ImmutableBytesWritable],classOf[org.apache.hadoop.hbase.client.Result])

?

scala> hbaseRDD.count

res52: Long = 1

?

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的Spark RDD创建操作的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。