创建RDD的常用方式【并行化集合创建、从外部存储系统创建、RDD衍生、小文件读取】,创建SparkContext对象的方式

创建RDD的常用方式【并行化集合创建、从外部存储系统创建、RDD衍生、小文件读取】,创建SparkContext对象的方式,第1张

创建RDD的常用方式【并行化集合创建、从外部存储系统创建、RDD衍生、小文件读取】,创建SparkContext对象的方式

文章目录
  • 创建 SparkContext 对象
  • RDD 创建方式
    • 1. 创建并行化集合RDD(parallelize、makeRDD)
      • parallelize
      • makeRDD
    • 2. 从外部存储系统创建RDD(textfile)
    • 3. 从RDD衍生新的RDD(原地计算)
    • 4. 小文件读取(wholeTextFiles)
  • RDD 分区数目(总结)
    • 获取 RDD 分区数目的俩种方式
    • RDD 分区的数据取决于那些因素?


创建 SparkContext 对象

SparkApplication应用,创建SparkContext对象,及应用结束关闭资源,代码如下:

import org.apache.spark.{SparkConf, SparkContext}

object MydemoTest {

  def main(args: Array[String]): Unit = {
    // 构建SparkContext对象
    val sc: SparkContext = {
      // a. 创建SparkConf对象
      val sparkConf = new SparkConf()
        .setAppName(this.getClass.getSimpleName.stripSuffix("$"))
        .setMaster("local[2]")
      // b. 传递SparkConf对象,创建实例
      val context = SparkContext.getOrCreate(sparkConf) //有就获取,没有创建
      // c. 返回实例对象
      context
    }


    // 应用结束,关闭资源
    sc.stop()
  }

}

或者写的简单点

val conf = new SparkConf().setAppName("word_count").setMaster("local[6]")
val sc = new SparkContext(conf)

RDD 创建方式 1. 创建并行化集合RDD(parallelize、makeRDD) parallelize

源码:

def parallelize[T: ClassTag](
  seq: Seq[T],
  numSlices: Int = defaultParallelism
): RDD[T]

需要传入的是一个Seq集合,和一个分区数Int


makeRDD

源码结构和parallelize一样,还是调用的parallelize。

两者区别:(源码的区别)

  • parallelize可以不指定分区数,使用比较多。
  • makeRDD不指定就会调用成别的同名方法,可以看下源码来验证,一般不用。

上述俩种方式的写法如下:

//从本地集合创建
@Test
def rddCreationLocal() = {
  val seq = Seq("Hello1", "hello2", "Hello3")
  val rdd1: RDD[String] = sc.parallelize(seq, 2)  //指定分区数目
  val rdd2: RDD[String] = sc.makeRDD(seq, 2) //底层依旧调用的parallelize
}

2. 从外部存储系统创建RDD(textfile)

由外部存储系统的数据集创建,包括本地的文件系统,还有所有 Hadoop支持的数据集,比如HDFS、Cassandra、Hbase 等。实际使用最多的方法:textFile,读取HDFS或LocalFS上文本文件,指定文件路径和RDD分区数目。

源码:

def textFile(
	path : scala.Predef.String, 
	minPartitions : scala.Int = {  }
) : org.apache.spark.rdd.RDD[scala.Predef.String] = {  }

注意:

  • 传入的文件路径,可以是 hdfs://… , 也可以是 file://… 。这种方式分为在集群中执行和在本地执行,在集群中是hdfs://,本地则是file:// 。
  • 支持分区,如果传入的path是 hdfs://… ,分区则由hdfs文件的block决定。默认情况下,RDD分区数目等于HDFS上Block块数目。其中文件路径:最好是全路径,可以指定文件名称,可以指定文件目录,可以使用通配符指定。
  • 支持外部数据源,比如阿里源等等。

3. 从RDD衍生新的RDD(原地计算)

通过在RDD上进行算子 *** 作,会生成新的RDD,那么新的RDD是原来的RDD吗?提一个概念,原地计算?类比一下字符串 *** 作 str.substr 返回的是新的 str。那么这个叫做非原地计算,那么原来的字符串变了吗?当然没变?同理RDD不可变!!!


4. 小文件读取(wholeTextFiles)

在实际项目中,有时往往处理的数据文件属于小文件(每个文件数据数据量很小,比如KB,几十MB等),文件数量又很大,如果一个个文件读取为RDD的一个个分区,计算数据时很耗时性能低下,使用SparkContext中提供:wholeTextFiles类,专门读取小文件数据。

def wholeTextFiles(
	path: String,	//文件存储目录
	minPartitions: Int = defaultMinPartitions	//RDD分区数目
): RDD[(String, String)]

范例演示:读取100个小文件数据,每个文件大小小于1MB,设置RDD分区数目为2。

实际项目中,可以先使用wholeTextFiles方法读取数据,设置适当RDD分区,再将数据保存到文件系统,以便后续应用读取处理,大大提升性能。


RDD 分区数目(总结)

在讲解 RDD 属性时,多次提到了分区(partition)的概念。分区是一个偏物理层的概念,也是 RDD 并行计算的核心。数据在 RDD 内部被切分为多个子集合,每个子集合可以被认为是一个分区,运算逻辑最小会被应用在每一个分区上,每个分区是由一个单独的任务(task)来运行的,所以分区数越多,整个应用的并行度也会越高。

获取 RDD 分区数目的俩种方式
  • rdd.getNumPartitions
  • rdd.partitions.length
RDD 分区的数据取决于那些因素?
  • 第一点:RDD分区的原则是使得分区的个数尽量等于集群中的CPU核心(core)数目,这样可以充分利用CPU的计算资源;
  • 第二点:在实际中为了更加充分的压榨CPU的计算资源,会把并行度设置为cpu核数的2~3倍;
  • 第三点:RDD分区数和启动时指定的核数、调用方法时指定的分区数、如文件本身分区数有关系,具体如下说明:
    • 1.启动的时候指定的CPU核数确定了一个参数值:
      • spark.default.parallelism = 指定的CPU核数(集群模式最小为2)
    • 2.对于Scala集合调用parallellize(集合,分区数)方法:
      • 如果没有指定分区数目,就使用 spark.default.parallelism
      • 如果指定了就使用指定的分区数(不要指定大于spark.default.parallelism)
    • 3.对于textFile(文件,分区数)
      • defaultMinPartitons
        • 如果没有指定分区数目 sc.defaultMinPartitions=min(defaultParallelism, 2)
        • 如果指定了就使用指定的分区数 sc.defaultMinPartitions=指定的分区数rdd的分区数
      • rdd的分区数
        • 对于本地文件:
          • rdd的分区数 = max(本地file的分片数, sc.defaultMinPartitions)
        • 对于HDFS文件:
          • rdd的分区数 = max(hdfs文件的block数目,sc.defaultMinPartitions)
        • 所以如果分配的核数为多个,且从文件中读取数据创建RDD,即使hdfs文件只有1个切片,最后的Spark的RDD的partition数也有可能是2

欢迎分享,转载请注明来源:内存溢出

原文地址: https://outofmemory.cn/zaji/5681118.html

(0)
打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
上一篇 2022-12-17
下一篇 2022-12-17

发表评论

登录后才能评论

评论列表(0条)

保存