Spark RDD介绍

RDD是Resilient Distributed Dataset，中文翻译是弹性分布式数据集。该类是Spark是核心类成员之一，是贯穿Spark编程的始终。

初期阶段，我们可以把RDD看成是Java中的集合就可以了，在后面的章节中会详细讲解RDD的内部结构和工作原理。

Spark-shell下实现对本地文件的单词统计

1. 思路

word count是大数据学习的经典案例，很多功能实现都可以归结为是word count的使用。

工作过程为使用SparkContext对象的textFile方法加载文件形成Spark RDD1，RDD1中每个元素就是文件中的每一行文本，然后对RDD的每个元素进行压扁flatMap操作，形成RDD2，RDD2中每个元素是将RDD1的每行拆分出来产生的单词，因此RDD2就是单词的集合，然后再对RDD2进行标一成对，形成(单词,1)的元组的集合RDD3，最后对RDD3进行按照key进行聚合操作形成RDD4，最终将RDD4计算后得到的集合就是每个单词的数量

2.处理流程

3.分步实现代码

// 进入spark shell环境
$>spark-shell

// 1.加载文件
scala>val rdd1 = sc.textFile("/homec/centos/1.txt")

// 2.压扁每行
scala>val rdd2 = rdd1.flatMap(_.split(" "))

// 3.标1成对
scala>val rdd3 = rdd2.map(w=>(w,1))

// 4.按照key聚合每个key下的所有值
scala>val rdd4 = rdd3.reduceByKey(_+_)

// 5.显式数据
scala>rdd4.collect()

4.一步实现代码

$scala>sc.textFile("file:///home/centos/1.txt")
    .flatMap(_.split(" "))
	.map((_,1))
	.reduceByKey(_+_)
	.collect

Spark-shell下实现对气温数据的最大最小聚合

1.思路分析

气温数据数各年度内气温列表，将每一行变换成(year,temp)元组后，按照yearn进行聚合即可。

2.处理流程

3.分步实现代码

// 进入spark shell环境
$>spark-shell

// 1. 加载气温数据文件
scala>val rdd1 = sc.textFile("/home/centos/temps.dat")

// 2.压扁每行
scala>val rdd2 = rdd1.flatMap(e=>{
    val arr = e.split(" ")
	(arr(0).toInt, (arr(1).toInt ,arr(1).toInt))
})

// 3.reduceByKey
scala>val rdd3 = rdd2.reduceByKey((a,b)=>{
    import scala.math
	(math.max(a(0),b(0)) ,math.min(a(1),b(1))
})

// 4.收集日志
scala>rdd3.collect()

4.一步实现代码

$scala>sc.textFile("file:///home/centos/temps.dat")
  .map(line=>{
    val arr = line.split("")
	(arr(0).toInt,(arr(1).toInt , arr(1).toInt))
  })
  .reduceByKey((a,b)=>{
    import scala.math
	(math.max(a(0) , b(0)) , math.min(a(1) , b(1)))
  })
  .collect()