【spark你妈喊你回家吃饭-05】RDD编程之旅基础篇-01

1.RDD工作流程

1.1 RDD理解

RDD是spark特有的数据模型，谈到RDD就会提到什么弹性分布式数据集，什么有向无环图，本文暂时不去展开这些高深概念，在阅读本文时候，大家可以就把RDD当作一个数组，这样的理解对我们学习RDD的API是非常有帮助的。本文所有示例代码都是使用scala语言编写的。RDD的执行过程如下：

从外部数据创建出输入RDD,或者从驱动程序分发驱动程序中的对象集合
 对RDD进行转化，一个RDD转化为一个新的RDD，如filter()操作
 如果需要重用，告知RDD执行persist()操作
执行action触发计算并行计算，spark先优化再执行计算，如count()和first()
  RDD的创建有2种方式

1)从驱动程序分发驱动程序中的对象集合

从内存里构造RDD，使用的方法：makeRDD和parallelize方法 

val rdd01 = sc.makeRDD(List(1,2,3,4,5,6));

val r01 = rdd01.map { x => x * x }

println(r01.collect().mkString(","))

/* Array */

val rdd02 = sc.makeRDD(Array(1,2,3,4,5,6))

val r02 = rdd02.filter { x => x < 5}

println(r02.collect().mkString(","))

val rdd03 = sc.parallelize(List(1,2,3,4,5,6), 1)

val r03 = rdd03.map { x => x + 1 }

println(r03.collect().mkString(","))

/* Array */

val rdd04 = sc.parallelize(Array(1,2,3,4,5,6) ,1)

val r04 = rdd04.filter { x => x > 3 }

println(r04.collect().mkString(","))

1.2.makeRDD和parallelize的区别

makeRDD有两种实现方式，第一种方式parallelize声明都一样，接收的参数和parallelize完全一样，def makeRDD[T:ClassTag]，这种实现方式的makeRDD依赖了parallelize；makeRDD第二种实现方式defmakeRDD[T:ClassTag](T,Seq(String)))

第一种:mkRDD实现方式

val blog1=sc.parallelize(List(1,2,3));
val blog2=sc.makeRDD(List(1,2,3)

第二种:mkRDD实现方式

val seq=List((1,List("a","b","c")),(2,List("aa","bb","cc")));

val seq=List((1,List("a","b","c")),(2,List("aa","bb","cc")));

val blog3=sc.makeRDD(seq);
blog3.preferredLocations(blog3.partitions(0));
blog3.preferredLocations(blog3.partitions(1));

2.[b]WordCount解说[/b]

 WordCount是分布式编程的入门示例，本节也从WordCount举例说明RDD DEMO

2.1.Spark shell版本

//加载hdfs上的文件
val txtFile ="/tmp/test/core-site.xml" ;
val txtData = sc.textFile(txtFile);
//将上一步生成的RDD对象保存到缓存中，在此之后Spark就不需要在每次数据查询时都重新计算
txtData.cache()    ;
// flatMap先映射后扁平化,
val wcData = txtData.flatMap(l =>l.split(" ")).map(word => (word, 1)).reduceByKey(_ + _);
//可以提取出所有rdd里的数据项,逐行输出
wcData.collect().foreach(println);

备注：

A.     关于spark-shell的启动参数指定

bin/spark-shell --executor-memory 1G --total-executor-cores10 --executor-cores 1 --master yarn-client  --driver-class-path /usr/local/tdr_hadoop/spark/spark-1.6.0-bin-hadoop2.6/lib/mysql-connector-java-5.1.40-bin.jar

--executor-memory: 指定每个executor(执行器)占用的内存 

--total-executor-cores: 所有executor总共使用的cpu核数 

--executor-cores：每个executor使用的cpu核数 

--driver-class-path:指定要加载的jar包

--master:

local[8]：表示在本地运行，数据会下载到接口机本地来执行，单机版

spark://master01:7077：表示在集群上运行应用程序，指定任务提交的集群路径在哪里。这就需要提前启动一个真实的Standalone集群。可以指定多个master的地址，用逗号隔开。

yarn-client：在客户模式上，driver与提交程序的客户端在一个进程

yarn-cluster：在集群模式上，driver是从集群中的一个worker进程中启动的，这个进程只要完成了提交作业任务就会退出，不会等待提交的应用程序的完成。Spark-shell时，必须使用yarn-client模式，因为你要在client上写SQL。

B.spark-shell 是一个spark application，运行时需要向资源管理器申请资源，如standalone spark、YARN、Mesos。本例向standalone spark申请资源，所以在运行spark-shell时需要指向申请资源的standalonespark集群信息，其参数为MASTER。

如果未在spark-env.sh中申明MASTER，则使用命令MASTER=spark://cdh1:7077bin/spark-shell启动；如果已经在spark-env.sh中申明MASTER，则可以直接用bin/spark-shell启动。

由于spark-shell缺省的情况下，会申请所有的CPU资源

2.2. java 版本

搭建Spark开发环境
（1）前提：配置好jdk和scala到windows

（2）安装Intellij去官网下载Intellij：https://www.jetbrains.com/idea/，在windows环境下双击安装即可

（3）安装scala插件,安装好scala插件后，点击restart重启intellij

（4）、使用Intellij写WordCount代码

    a.新建scala工程:File -> new  -> project  -> scala project –>scala，项目名称：spark02

在src目录下，建立cn.com包，在该包下建立object 类，命名为word，完成word.scala代码如下所示：

import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.SparkContext._

/**
* Created by Administrator on 2016/11/2.
*/
object word {
def main(args: Array[String]) {
if(args.length < 1) {
System.err.println("Usage: <file>")
System.exit(1)
}
val conf = new SparkConf()
val sc = new SparkContext(conf)
//SparkContext 是把代码提交到集群或者本地的通道，我们编写Spark代码，无论是要本地运行还是集群运行都必须有SparkContext的实例
val line = sc.textFile(args(0))
//把读取的内容保存给line变量，其实line是一个MappedRDD，Spark的所有操作都是基于RDD的
line.flatMap(_.split(" ")).map((_, 1)).reduceByKey(_+_).collect.foreach(println)
sc.stop
}

}

b.导入spark包

 File

->Project structure
->project settting
->libraries->+



导入spark-assembly-1.6.0-hadoop2.6.0.jar包（该包从spark安装包的lib下获得）
c.选择Artifacts

File
->Project structure
->project settting
->Artifacts->+，选择要导入的项目，以及main类



并且指定jar包输出的位置

d．输出jar包

Build -> Build ArtiFacts ->build,打好jar包到：D:\spark02\out\artifacts\spark02_jar\spark02.jar

e．上传jar包到spark客户端，并执行

  执行命令：

spark-submit --master yarn --executor-memory 1000M /usr/local/tdr_hadoop/spark/spark02.jarhdfs://tdrHadoop/tmp/test/core-site.xml

在yarn的前台显示正在执行

执行结果输出：



本文为原创文章,同时在微信公众号发布，在转载请联系作者，想了解更多精彩大数据技术文章，请关注微信公众号：大数据梅峰谷 ，也可以扫描二维码