Spark程序设计—创建初始RDD

有几种创建初始 RDD 的方式：

1. 通过Scala 集合创建 RDD

使用SparkContext的parallelize方法，为Scala集合的数据指定分片数，存储到内存中。例如：
sc.parallelize(List(1,2,3), 2);

//对List(1, 2, 3)进行并行化, 并行度为2（把scala的Seq序列，分为2片）

2. 通过读取本地文件或HDFS上的文件创建RDD

1）文本文件（ TextInputFormat）

sc.textFile(“file://path/file.txt”)             //将本地文本文件加载成RDD
sc.textFile(“directory/*.txt”) //将某类文本文件加载成RDD

sc.textFile(“hdfs://nn:9000/path/file”) //hdfs文件或目录

textFile()方法创建RDD：将文本文件加载成RDD，一条记录就代表了 text file里的一行文本

通过这种方法创建的RDD，RDD的分区是怎么分的呢？

①对于在HDFS上存放的文本文件来说：

文件有多少个block，通过textFile创建的初始输入RDD就有几个partition

如果一个文件不足一个block，那么它也是根据1个block来进行分区的，分区数为 1

②对于读取本地的文本文件来说：

需要同一个文件存在所有的worker node上面，在读取的时候每个worker node的task会去读取本文件的一部分。

spark app所运行的节点也需要有这个file，因为需要用到file进行Partition划分。默认分片为 2，可以通过 textFile(path, minPartitions)指定分片数目。

2）sequenceFile文件（ SequenceFileInputFormat）
sc.sequenceFile(“file.txt”)        //将本地二进制文件加载成RDD
sc.sequenceFile[String, Int] (“hdfs://nn:9000/path/file”)   //hdfs文件或目录

3）使用任意自定义的Hadoop InputFormat

sc.hadoopFile(path, inputFormat, keyClass, valClass)  // 与

例如：

val file = sparkContext.hadoopFile[LongWritable, Text, TextInputFormat](path)