Spark学习之RDD编程（2）

Spark学习之RDD编程（2）

1. Spark中的RDD是一个不可变的分布式对象集合。

2. 在Spark中数据的操作不外乎创建RDD、转化已有的RDD以及调用RDD操作进行求值。

3. 创建RDD:1）读取一个外部数据集2）在驱动器程序里分发驱动器程序中的对象集合。

4. RDD支持的操作：

1）转换操作，由一个RDD生成一个新的RDD。
2）行动操作，对RDD进行计算结果，并把结果返回到驱动器程序中，或者把结果存储到外部存储系统（如HDFS）。

5. Spark程序或者shell会话都会按如下方式工作：

1）从外部数据创建出输入RDD。
2）使用诸如filter()这样的转化操作对RDD进行转化，以定义一个新的RDD。
3）告诉Spark对需要被重用的中间结果RDD执行persist()操作。
4）使用行动操作 （例如count()和first()等)来触发一次并行计算，Spark会对计算进行优化后在执行。

6. 创建RDD

快速创建RDD，把程序中一个已有的集合传给SparkContext的parallelize()方法，不过这种方法除了开发原型和测试时，这种方式用的并不多。
Python中的parallelize()方法

    lines = sc.parallelize(["pandas","i like pandas"])

Scala中的parallelize()方法

    val lines = sc.parallelize(List("pandas","i like pandas"))

Java中的parallelize()方法

    JavaRDD<String> lines = sc.parallelize(Arrays.asList("pandas","i like pandas"))

7. 惰性求值

RDD的转化操作都是惰性求值的。

8. 向Spark传递函数

8.1 Python
传递比较短的函数，使用lambda表达式来传递；也可以传递顶层函数或是定义的局部函数。
8.2 Scala，可以定义的内联函数、方法的引用或静态方法传递给Spark，就行Scala的其他函数式API一样。
8.3 Java，函数需要作为实现了Spark的org.apache.spark.api.java.function包中的任一函数接口的对象来传递。

9. 常见的转化操作和行动操作

9.1 针对个元素的转化操作
flatmap()       对每个输入元素生成多个输出元素。
map()           接受一个函数，把这个函数用于RDD中的每个元素，将函数的返回结果作为结果RDD中的对应元素的。返回的类型不必和输入类型相同。
filter()        接受一个函数，并将RDD中满足该函数的元素放入新RDD中返回。
distinct()      去重
sample(withReplacement,fraction,[seed])         对RDD采样，以及是否替换
9.2 伪集合操作
合并和相交要求RDD数据类型相同。
(不需混洗)union()           生成一个包含两个RDD中所有元素的RDD
(需要混洗)intersection()    求两个RDD共同的元素的RDD
(需要混洗)subtract()        移除一个RDD中的内容
(需要混洗)cartesian)()      与另一个RDD的笛卡尔积