【大数据学习 | Spark】spark-shell开发
spark的代码分为两种[*] 本地代码在driver端直接解析执行没有后续
[*] 集群代码，会在driver端进行解析，然后让多个呆板进行集群形式的执行计算
spark-shell --master spark://nn1:7077 --executor-cores 2 --executor-memory 2G sc.textFile("/home/hadoop/a.txt")
org.apache.spark.rdd.RDD = /home/hadoop/a.txt MapPartitionsRDD at textFile at rdd弹性分布式数据集合
[*]假如是sc调用的方法会在集群中执行
[*]rdd调用的方法也会合群执行
sc.textFile("/home/hadoop/a.txt") 不是单机代码，但是文件不能再某一个呆板上，由于这个命令全部的呆板都会执行。
这个路径肯定要放在hdfs中
题目：第一行代码就读取了数据，为什么第一行没有出现错误？
spark中的方法[算子]它是分为两种
[*]转换类算子，定义逻辑，并且调用完毕以后具有返回值的，调用算子以后是不是返回rdd
[*]行动类算子，触发计算，并且没有rdd的返回
https://i-blog.csdnimg.cn/direct/a486f4a261554cf795bf6ee43124e139.png
代码的整体逻辑是先利用转换类算子定义逻辑，但是不执行，一旦利用action算子就会触发运算，整体才执行，如许的设计可以大概最大化的减少内存的利用。
以是上传hdfs文件，读取
hdfs dfs -put /home/hadoop/a.txt / spark-shell整体代码
scala> //在spark-env.sh中配置HADOOP_CONF_DIR,默认会读取hdfs中的文件
scala> sc.textFile("/a.txt")
res6: org.apache.spark.rdd.RDD = /a.txt MapPartitionsRDD at textFile at <console>:26
//放入数据到hdfs中
scala> res6.flatMap(_.split(" "))
res7: org.apache.spark.rdd.RDD = MapPartitionsRDD at flatMap at <console>:27
scala> res7.map((_,1))
res8: org.apache.spark.rdd.RDD[(String, Int)] = MapPartitionsRDD at map at <console>:27
scala> res8.groupBy(_._1)
res9: org.apache.spark.rdd.RDD[(String, Iterable[(String, Int)])] = ShuffledRDD at groupBy at <console>:27
//分组完毕的返回值不再是map而是RDD
scala> res9.mapValues(_.size)
res10: org.apache.spark.rdd.RDD[(String, Int)] = MapPartitionsRDD at mapValues at <console>:27
//mapValues在scala中只能作用在map集合上，现在可以作用在RDD
scala> res10.foreach(println)
//打印数据的时候每个机器都有，因为是分布式执行的
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]