这篇文章将为大家详细讲解有关Spark RDD的内容有哪些，文章内容质量较高，因此小编分享给大家做个参考，希望大家阅读完这篇文章后对相关知识有一定的了解。
目前创新互联公司已为成百上千家的企业提供了网站建设、域名、网页空间、网站运营、企业网站设计、城北网站维护等服务，公司将坚持客户导向、应用为本的策略，正道将秉承"和谐、参与、激情"的文化，与客户和合作伙伴齐心协力一起成长，共同发展。
点击步骤： Spark Programming Guide Linking with Spark 版本要对应和集群上
idea 引入cdh版的hadoop等包可能报红线， 因为默认idea引的仓库是apache的所以有红线
公司中是用rz ftp工具不用因为中间有跳板机，ftp不好用
spark-submit \ --class test.Demo2 \ --master local[2] \ /demo/original-sparkrdd-1.0-SNAPSHOT.jar \ hdfs://s202:9000/input/* \ hdfs://s202:9000/result
弹性分布式数据集 弹性体现在计算上，分布式的时候计算可以容错，通过机制进行修复，准确是体现在计算层面上
* - A list of partitions * - A function for computing each split 每个函数作用每个分区上 对RDD计算就是对分区进行计算 split 如分区partitions * - A list of dependencies on other RDDs RDDA 是加载其余是转化的 RDDA-RDDB-RDDC * - Optionally, a Partitioner for key-value RDDs (e.g. to say that the RDD is hash-partitioned) 优化时候用的多 * - Optionally, a list of preferred locations to compute each split on (e.g. block locations for * an HDFS file) preferred locations（类似多个副本） 数组在哪在那计算性能好，不用移动数据 对每个分片计算会有一组 计算每个分片会有多个副本 窄依赖容错不是对所有分区进行重新计算，对父类，宽依赖不通 Resilient Distributed Dataset (RDD)在上面五个特点完美体现 切分，副本，计算，分布式
关键计算传什么参数，对应第二个特点，必须传个分片的 def compute(split: Partition, context: TaskContext): Iterator[T] 对应RDD第一点 protected def getPartitions: Array[Partition] 对应第三点 protected def getDependencies: Seq[Dependency[_]] = deps 计算必须拿到PreferredLocations 在什么位置 第五点 protected def getPreferredLocations(split: Partition): Seq[String] = Nil 对应第四点 @transient val partitioner: Option[Partitioner] = None 类似于JdbcRDD什么都要继承RDD
appName 是一个作业的名字 也可以不写，不要硬编码，提交时写，用时间拼接，可以知道提交的是哪个 The appName parameter is a name for your application to show on the cluster UI. master 是你连接集群的方式 master is a Spark, Mesos or YARN cluster URL, or a special “local” string to run in local mode. 但是，运行一个集群你不要硬编码，不要代码中设置master，提交的时候设置 In practice, when running on a cluster, you will not want to hardcode master in the program, 而是要用spark-submit 提交， but rather launch the application with spark-submit and receive it there. 测试就用local 就可以了 However, for local testing and unit tests, you can pass “local” to run Spark in-process.
Only one SparkContext may be active per JVM. You must stop() the active SparkContext before creating a new one. 一个jvm只能有一个SparkContext，想要在启动别个，必须关闭stop()
在spark-env 中配置HADOOP_CONF_DIR or YARN_CONF_DIR ，指向hadoop的etc/hadoop的
spark-shell 底层也是调用spark-submit 脚本运行
Typically you want 2-4 partitions for each CPU in your cluster. 不浪费 因为这样设置省着cpu空闲，一个分区一个CPU可能空闲，浪费 task多不处理小文件多，要合并，调优
加载外部集合用parallelize方法，用的少，最好有个CPU对应几个分区， 防止空闲浪费资源，一个task一个分区
加载外部数据源，本地文件，HDFS,hbase等
1.如果你要使用本地文件，那你又多少个节点，每个节点都要有这个文件，否则 找不到，standalone 也一样，一般用不到 2.全部的输入方式包括文件，支持目录，压缩，通配符 3.textFile() 有第二个参数，分区，默认有个block一个分区，你可以调的 更高，不可以比block更少 这个可以调优 1.wholeTextFiles() 返回key,value key是路径，value值 2序列化测试 3.saveAsTextFile() 保存
关于Spark RDD的内容有哪些就分享到这里了，希望以上内容可以对大家有一定的帮助，可以学到更多知识。如果觉得文章不错，可以把它分享出去让更多的人看到。
