RDD的基本概念及创建方式

（一）RDD基本概念

Resilient Distributed Dataset 叫做弹性分布式数据集，是Spark中最基本的数据抽象，是分布式计算的实现载体，代表一个不可变，可分区，里面的元素并行计算的集合。

先来看看这三个单词的含义：

- Dataset： 一个数据集合，用来存放数据的。之前我们学习的Scala中，Array, Set等也叫数据集。

- Distributed: 分布式存储的，表示数据是存放在不同的机器上的。这就和我们前面学习数据结构就不同了。

- Resilient: 数据可以保存在内存或者磁盘中。

然后，我们在看看它的定义中的一些关键字：

不可变的：immutable。类比理解scala中的不可变集合或者是使用val修饰的变量。

可分区的：集合的数据课划分成为很多部分，每部分称为分区：Partition

并行计算：集合中的数据可以被并行的计算处理，每个分区数据被一个Task任务处理。

（二）RDD创建方式

1. 从 Hadoop 支持的文件系统中创建

• 原理：Spark 可以直接从 Hadoop 支持的文件系统（如 HDFS、S3、本地文件系统等）中加载数据创建 RDD。

• 示例代码：

  scala

  复制

  val sc = new SparkContext("local", "ReadFileExample")
  val fileRDD = sc.textFile("hdfs://path/to/your/file.txt")

• 说明：textFile 方法可以读取文本文件，每行数据作为一个元素存储到 RDD 中。对于其他格式的文件（如 JSON、CSV、Parquet 等），Spark 也提供了相应的读取方法。

2. 从集合中创建

• 原理：通过将内存中的集合数据并行化为 RDD。

• 示例代码：

  scala

  复制

  val sc = new SparkContext("local", "ParallelizeExample")
  val data = Array(1, 2, 3, 4, 5)
  val parallelizedRDD = sc.parallelize(data, 2) // 第二个参数表示分区数

• 说明：parallelize 方法将本地集合数据转换为 RDD，并可以指定分区数。分区数决定了数据在集群中的分布情况。

3. 通过其他 RDD 的转换操作创建

• 原理：通过对已有 RDD 进行转换操作（如 map、filter、flatMap 等）来生成新的 RDD。

• 示例代码：

  scala

  复制

  val sc = new SparkContext("local", "TransformationExample")
  val fileRDD = sc.textFile("hdfs://path/to/your/file.txt")
  val wordsRDD = fileRDD.flatMap(line => line.split(" "))
  val wordCountRDD = wordsRDD.map(word => (word, 1)).reduceByKey(_ + _)

• 说明：fileRDD 是从文件中创建的 RDD，通过 flatMap、map 和 reduceByKey 等转换操作，生成了新的 RDD（wordsRDD 和 wordCountRDD）。

总结

• 从文件系统中创建：适用于从外部存储加载数据。

• 从集合中创建：适用于将内存中的数据并行化为 RDD。

• 通过转换操作创建：是最常见的创建方式，通过对已有 RDD 进行转换操作生成新的 RDD，支持各种复杂的数据处理逻辑。

这三种方式满足了不同场景下的数据处理需求，是 Spark 编程中非常重要的基础内容。