RDD編程

1.RDD基礎：

  Spark中RDD是不可變的分佈式對象集合。每個RDD被分爲多個分區，這些分區運行在集羣中的不同節點上。RDD可以包含任意類型的對象（甚至可以是自定義的）。

 前面講到，Spark包含轉化操作和行動操作。Spark只會惰性計算這些RDD。它們只有第一次在一個行動操作中用到時，纔會真正計算。默認情況下，Spark的RDD會在你每次對它們進行行動操作時重新計算。如果想在多個行動操作中重用同一個RDD，可以使用RDD.persist()讓Spark把這個RDD緩存（內存或者磁盤）下來。

2.創建RDD：

Spark提供2種創建方式：

(1)讀取外部數據集：之前的sc.textFile()就屬於這種類型。更加常用的方式。

(2)在驅動器程序中對一個集合（list、Set等）進行並行化，要使用SparkContext.parallelize()方法。

3.RDD操作：

RDD主要分成數據類型RDD和鍵值對RDD。有一些操作可以適用於所有類型的RDD，這時候可以直接創建JavaRDD對象，例如map()，filter()等。有些操作只適用於數據類型的RDD，例如 ，這時候創建JavaDoubleRDD對象。有些操作只適用於鍵值對RDD，例如 ，這時候創建JavaPairRDD對象。

3.1 轉化操作：

3.1.1 譜系圖：

通過轉化操作，從已有的RDD中派生出新的RDD，Spark會使用譜系圖來記錄這些不同RDD之間的依賴關係。如下圖所示：

3.1.2 ：

1. 基本的轉化操作（map、flatMap、filter、distinct、sample），假設RDD的數據{1, 2, 3, 3}:

2. RDD的集合操作（union、intersection、subtract、cartesian），兩個RDD分別是{1,2,3}、{3,4,5}：
   

函數名	作用	例子	運行結果
map()	Apply a function to each element in the RDD and return an RDD of the result.	rdd.map(x => x +1)	{2, 3, 4, 4}
flatMap()	Apply a function to each element in the RDD and return an RDD of the contents of the iterators returned. Often used to extract words.	rdd.flatMap(x =>x.to(3))	{1, 2, 3, 2, 3, 3, 3}
filter()	Return an RDD consisting of only elements that pass the condition passed to filter().	rdd.filter(x => x!= 1)	{2, 3, 3}
distinct()	Remove duplicates.	rdd.distinct()	{1, 2, 3}
sample(withReplacement,fraction, [seed])	Sample an RDD, with or without replacement.	rdd.sample(false,0.5)	不確定
union()	Produce an RDD containing elements from both RDDs.	rdd.union(other)	{1, 2, 3, 3, 4, 5}
intersection()	RDD containing only elements found in both RDDs.	rdd.intersection(other)	{3}
subtract()	Remove the contents of one RDD (e.g., remove training data).	rdd.subtract(other)	{1, 2}
cartesian()	Cartesian product with the other RDD.	rdd.cartesian(other)	{(1, 3), (1, 4),… (3, 5)}

4.給Spark傳遞函數:

大多數的轉化操作和一部分行動操作，都需要給Spark方法傳遞函數。在java中，函數式實現了包org.apache.spark.api.java.function下面任意一個接口的類。該包下面有許多接口，下面是一些基礎接口:

函數名	需要實現的方法	用法
Function<T, R>	R call(T)	Take in one input and return one output, for use with operations like map()and filter().
Function2<T1, T2,R>	R call(T1, T2)	Take in two inputs and return one output, for use with operations like aggregate() or fold().
FlatMapFunction<T,R>	Iterable<R> call(T)	Take in one input and return zero or more outputs, for use with operations like flatMap().