本文共 1821 字，大约阅读时间需要 6 分钟。

Spark初识

spark与hadoop的历史回顾

Spark框架与Hadoop框架的对比

Spark本身是一个并行的计算框架 — RDD(支持分区)

一、RDD是弹性分布式数据集 二、RDD特点：     1.RDD是数据集   --- RDD中保存了指定路径下的数据文件中的数据集，其实真实存储的是逻辑执行计划，在Action操作之后才会收集到对应的数据集或者是进行shuffle操作后。     2.RDD是一个编程模型  --- RDD变量可以调用内部的对应方法     3.RDD相互之间有依赖关系 --- 通过不同的方法生成的RDD变量(们)之间是存在关联的     4.RDD是可以分区的 三、RDD的创建     1.SparkCore的入口SparkContext     2.RDD的创建方式：          *通过本地数据集直接创建          *通过读取外部数据集创建          *通过其它RDD衍生出新RDD

//从本地集合创建RDD  def rddCreateLocal: Unit ={
       val seq = Seq("Hello","Hi","Welcome")    //指定数据集和分区数,以下两种方式的区别：parallelize可以不指定分区数    val rdd1: RDD[String] = sc.parallelize(seq,2)    val rdd2: RDD[String] = sc.makeRDD(seq,2)  }

@Test  //从外部（文件）读取数据创建RDD  def rddCreateHDFS: Unit ={
       val rdd3 = sc.textFile("hdfs:///....")    /*      1.textFile传入的是什么？         * 参数传入的是一个文件的读取路径         * hdfs：///   或  file：///      2.该种方法创建是否支持分区？         * 若传入的路径是 hdfs:///... 那么由HDFS中的block来决定分区         * 注意：也可以由自己决定最小的分区数      3.支持什么平台         * AWS、阿里云     */  }

@Test  //从已有RDD衍生新的RDD  def rddCreateRDD(): Unit ={
       //通过在rdd1上进行算子操作，会生成新的rdd2    //非原地计算    //类似于java中的str.substr 返回新的字符串且该字符串不可变    //所以同理，新创建的RDD也是不可变的！！！    val rdd1: RDD[Int] = sc.parallelize(Seq(1,2,3),2)    //通过rdd1创建除了出了新的rdd2且不可变    val rdd2: RDD[Int] = rdd1.map(item=>item)  }

四、RDD的分类及特点	 	 RDD算子从从功能上分为两类：		     1.Transformation(转换)  它会在一个已经存在的RDD上创建一个新的RDD，将旧的RDD的数据转换为另一种形式后放入新的RDD		     2.Action(动作) 它将执行各分区的计算任务，将得到的结果返回到Driver中     RDD中可以存放各种类型的的数据，针对不同数据类型，RDD算子又可以分为三类：	     1.针对基础类型的普通算子	     2.针对 key—values 的byKey算子	     3.针对数字类型数据处理的计算算子	   	特点：	    1.Spark中所有的Transformation都是惰性的，它不会立刻执行获得结果，只是记录在数据及上应用的操作，只有当需要结果返回时才会执行这些操作，通过	      DAGScheduler和TaskScheduler分发到集群上去运行，这个特性叫做惰性求值		    2.默认情况下，每一个Action操作运行的时候，所有与其相关联的Transformation操作都会重新运行一遍，但是也可以通过presist方法将RDD持久化到磁盘或内存中。	      此时为了下一次的方便会把数据保存到数据集上。

转载地址：http://mrhq.baihongyu.com/