Spark创建RDD的四种方式

在Spark中创建RDD的创建方式可以分为四种:

ps:本文代码基于spark on zeppelin实现

1、从集合(内存)中创建RDD

从集合中创建RDD,Spark主要提供了两个方法:parallelize和makeRDD

// 使用parallelize方法

val rdd1 = sc.parallelize(List(1,2,3,4))

//使用makeRDD方法

val rdd2=sc.makeRDD(List(1,2,3,4)))

//输出

rdd1.collect().foreach(println)

rdd2.collect().foreach(println)

从底层代码实现来讲,makeRDD方法其实就是parallelize方法

def makeRDD[T: ClassTag](

seq: Seq[T],

numSlices: Int = defaultParallelism): RDD[T] = withScope { parallelize(seq, numSlices)

}

2、从外部存储文件创建RDD

由外部存储系统的数据集创建RDD包括:本地的文件系统,所有Hadoop支持的数据集,比如HDFS、HBase等。

//输入文件路径读取内容

val fileRDD: RDD[String] = sc.textFile("path")

fileRDD.collect().foreach(println)

Spark中文件路径的编写方式:Spark中textFile从外部读取数据的用法 - 干了这瓶老干妈 - 博客园 (cnblogs.com)

3、从其它RDD创建

通过一个RDD运算完后,再产生新的RDD。(主要是根据RDD不可变的特性)

4、直接创建RDD(new)

使用new的方式直接构造RDD,一般由Spark框架自身使用。