Spark的性能调优——RDD

前言

RDD 是 Spark 对于分布式数据集的抽象，每一个 RDD 都代表着一种分布式数据形态。比如 lineRDD，它表现数据在集群中以行（Line）的形式存在；而 wordRDD 则意味着数据的形态是单词，分布在盘算集群中。 

参数

参数是函数、或者返回值是函数的函数，我们把这类函数统称为“高阶函数”（Higher-order Functions）。换句话说，这 4 个算子，都是高阶函数。 

 

1. import org.apache.spark.rdd.RDD
2. val rootPath: String = _
3. val file: String = s"${rootPath}/wikiOfSpark.txt"
4. // 读取文件内容
5. val lineRDD: RDD[String] = spark.sparkContext.textFile(file)
6. // 以行为单位做分词
7. val wordRDD: RDD[String] = lineRDD.flatMap(line => line.split(" "))
8. val cleanWordRDD: RDD[String] = wordRDD.filter(word => !word.equals(""))
9. // 把RDD元素转换为（Key，Value）的形式
10. val kvRDD: RDD[(String, Int)] = cleanWordRDD.map(word => (word, 1))
11. // 按照单词做分组计数
12. val wordCounts: RDD[(String, Int)] = kvRDD.reduceByKey((x, y) => x + y)
13. // 打印词频最高的5个词汇
14. wordCounts.map{case (k, v) => (v, k)}.sortByKey(false).take(5)

复制代码

 
在 RDD 的编程模子中，一共有两种算子，Transformations 类算子和 Actions 类算子。开辟者必要使用 Transformations 类算子，界说并描述数据形态的转换过程，然后调用 Actions 类算子，将盘算效果收集起来、或是物化到磁盘。
换句话说，开辟者调用的各类 Transformations 算子，并不立即执行盘算，当且仅当开辟者调用 Actions 算子时，之前调用的转换算子才会付诸执行。在业内，这样的盘算模式有个专门的术语，叫作“延迟盘算”（Lazy Evaluation）。延迟盘算很好地解释了本讲开头的题目：为什么 Word Count 在执行的过程中，只有最后一行代码会花费很长时间，而前面的代码都是瞬间执行完毕的呢？

 

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。