杭州哪里做网站好百度一下首页官网下载
RDD基本概念
Resilient Distributed Dataset 叫做弹性分布式数据集，是Spark中最基本的数据抽象，是分布式计算的实现载体，代表一个不可变，可分区，里面的元素并行计算的集合。
- Dataset： 一个数据集合，用来存放数据的。之前我们学习的Scala中，Array, Set等也叫数据集。
- Distributed: 分布式存储的，表示数据是存放在不同的机器上的。这就和我们前面学习数据结构就不同了。
- Resilient: 数据可以保存在内存或者磁盘中。
然后，我们在看看它的定义中的一些关键字：
不可变的：immutable。类比理解scala中的不可变集合或者是使用val修饰的变量。
可分区的：集合的数据课划分成为很多部分，每部分称为分区：Partition
并行计算：集合中的数据可以被并行的计算处理，每个分区数据被一个Task任务处理。
RDD的创建
spark的计算功能是通过RDD来实现的，那么如何去创建RDD呢？有两种创建方式。
1.从集合内存中创建
可以通过将本地集合（如数组、列表等）传递给 SparkContext 的 parallelize 方法来创建 RDD。
// 创建 SparkConf 和 SparkContext
val conf = new SparkConf().setAppName("RDDFromCollection").setMaster("local[*]")
val sc = new SparkContext(conf)
// 创建一个本地集合
val data = Array(1, 2, 3, 4, 5)
// 通过 parallelize 方法将本地集合转换为 RDD
val distData = sc.parallelize(data, 2) // 第二个参数是分区数
2.从外部存储中创建。例如，读入外部的文件。
// 创建 SparkConf 和 SparkContext
val conf = new SparkConf().setAppName("RDDFromHDFS").setMaster("local[*]")
val sc = new SparkContext(conf)
// 从 HDFS 加载文本文件
val hdfsRDD = sc.textFile("hdfs://namenode:8020/path/to/your/file.txt")
// 获取并打印分区数val partitionCount = hdfsRDD.getNumPartitions
println(s"The number of partitions is: $partitionCount")
可以通过getNumPartitions来获取分区的数量。
SparkConf 和 SparkContext
SparkConf 类用于配置 Spark 应用程序的各种参数。通过 SparkConf 类，你可以设置应用程序的名称、运行模式（如本地模式、集群模式）、资源分配（如内存、CPU 核心数）等。
主要作用配置应用程序参数：可以设置 Spark 应用程序的各种属性，如应用程序名称、主节点地址等。
管理配置信息：将配置信息封装在一个对象中，方便在应用程序中传递和使用。
SparkContext 是 Spark 应用程序的入口点，它代表了与 Spark 集群的连接。通过 SparkContext，你可以创建 RDD（弹性分布式数据集）、累加器、广播变量等，还可以与外部数据源进行交互。