大数据平台与编程第6章 Spark RDD编程.pptx

第6章SparkRDD编程;?RDD概述;RDD概述;;4）一个Partitioner，即RDD的分片函数。当前Spark中实现了两种类型的分片函数，一个是基于哈希的HashPartitioner，另外一个是基于范围的RangePartitioner。只有对于于key-value的RDD，才会有Partitioner，非key-value的RDD的Parititioner的值是None。Partitioner函数不但决定了RDD本身的分片数量，也决定了ParentRDDShuffle输出时的分片数量;RDD概述;;;;;;;;?RDD编程;RDD编程;RDD编程;2.由外部存储系统的数据集创建;;;;;;;;;;（3）放回抽样

scalavarsample1=rdd.sample（true,0.4,2）

sample1：org.apache.spark.rdd.RDD[Int]=PartitionwiseSampledRDD[21]atsampleatconsole：26

（4）打印放回抽样结果

scalasample1.collect（）

res16：Array[Int]=Array（1,2,2,7,7,8,9）

（5）不放回抽样

scalavarsample2=rdd.sample（false,0.2,3）

sample2：org.apache.spark.rdd.RDD[Int]=PartitionwiseSampledRDD[22]atsampleatconsole：26

（6）打印不放回抽样结果

scalasample2.collect（）

res17：Array[Int]=Array（1,9）;;（3）打印去重后生成的新RDD

scalaunionRDD.collect（）

res20：Array[Int]=Array（1,9,5,6,2）

（4）对RDD（指定并行度为2）

scalavalunionRDD=distinctRdd.distinct（2）

unionRDD：org.apache.spark.rdd.RDD[Int]=MapPartitionsRDD[40]atdistinctatconsole：26

（5）打印去重后生成的新RDD

scalaunionRDD.collect（）

res21：Array[Int]=Array（6,2,1,9,5）;;;;;;（3）将脚本作用该RDD并打印

scalardd.pipe（/opt/module/spark/pipe.sh）.collect（）

res18：Array[String]=Array（AA,hi,Hello,how,are,you）

（4）创建一个有两个分区的RDD

scalavalrdd=sc.parallelize（List（hi,Hello,how,are,you）,2）

rdd：org.apache.spark.rdd.RDD[String]=ParallelCollectionRDD[52]atparallelizeatconsole：24

（5）将脚本作用该RDD并打印

scalardd.pipe（/opt/module/spark/pipe.sh）.collect（）

res19：Array[String]=Array（AA,hi,Hello,AA,how,are,you）;;;;;;;（3）第一个RDD组合第二个RDD并打印

scalardd1.zip（rdd2）.collect

res1：Array[（Int,String）]=Array（（1,a）,（2,b）,（3,c））

（4）第二个RDD组合第一个RDD并打印

scalardd2.zip（rdd1）.collect

res2：Array[（String,Int）]=Array（（a,1）,（b,2）,（c,3））

（5）创建第三个RDD（与1,2分区数不同）

scalavalrdd3=sc.parallelize（Array（a,b,c）,2）

rdd3：org.apache.spark.rdd.RDD[String]=ParallelCollectionRDD[5]atparallelizeatconsole：24

（6）第一个RDD组合第三个RDD并打印

scalardd1.zip（rdd3）.collect

java.la