RDD的几种创建方式

一、RDD概念
RDD（Resillient Distributed Dataset）：弹性分布式数据集，为抽象对象
RDD可分为多个分区，每个分区分布在集群中的不同节点上(分区即partition)，从而让RDD中的数据可以被并行操作
RDD提供了容错性，可以自动从节点失败中恢复过来。（如果某个节点上的RDD partition，因为节点故障，导致数据丢了，那么RDD会自动通过自己的数据来源重新计算partition。）
RDD的数据默认的情况下是存放在内存中的，但是在内存资源不足时，Spark会自动将RDD数据写入磁盘。(弹性的特性)

二、RDD创建方式
1、使用程序中的集合创建RDD
主要用于进行测试，可以在实际部署到集群运行之前，自己使用集合构造测试数据，来测试后面的spark应用的流程
2、使用本地文件创建RDD
主要用于的场景为：在本地临时性地处理一些存储了大量数据的文件
3、使用HDFS文件创建RDD
主要可以针对HDFS上存储的大数据，进行离线批处理操作
4、通过消息源（例如kafka）创建RDD
主要用于流式处理应用

三、示例代码
1、通过parallelize()方法创建
针对程序中的集合，调用SparkContext中的parallelize()方法。Spark会将集合中的数据拷贝到集群上去，形成一个分布式的RDD(数据集合)。

// 并行化创建RDD部分代码 
// 实现1到5的累加求和
val arr = Array(1,2,3,4,5)
val rdd = sc.parallelize(arr)
val sum = rdd.reduce(_ + _)

注意点：
在调用parallelize()方法时，有一个重要的参数可以指定，就是要将集合切分成多少个partition。Spark会为每一个partition运行一个task来进行处理。Spark官方的建议是，为集群中的每个CPU创建2-4个partition。Spark默认会根据集群的情况来设置partition的数量。但是也可以在调用parallelize()方法时，传入第二个参数，来设置RDD的partition数量。比如，parallelize(arr, 10)

2、通过textFile方法创建
Spark是支持使用任何Hadoop支持的存储系统上的文件创建RDD的，比如说HDFS、Cassandra、HBase以及本地文件。通过调用SparkContext的textFile()方法，可以针对本地文件或HDFS文件创建RDD。Spark是支持使用任何Hadoop支持的存储系统上的文件创建RDD的，比如说HDFS、Cassandra、HBase以及本地文件。通过调用SparkContext的textFile()方法，可以针对本地文件或HDFS文件创建RDD。

// 实现文件字数统计
// textFile()方法中，输入本地文件路径或是HDFS路径
// HDFS:hdfs://spark1:9000/data.txt
// local:/home/hadoop/data.txt
val rdd = sc.textFile(“/home/hadoop/data.txt”)
val wordCount = rdd.map(line => line.length).reduce(_ + _)

一些来创建RDD的特例方法：
(a)SparkContext的wholeTextFiles()方法，可以针对一个目录中的大量小文件，返回由（fileName,fileContent）组成的pair，即pairRDD，而不是普通的RDD。该方法返回的是文件名字和文件中的具体内容；而普通的textFile()方法返回的RDD中，每个元素就是文本中一行文本。
(b)SparkContext的sequenceFile<K,V>方法，可以针对SequenceFile创建RDD，K和V泛型类型就是SequenceFile的key和value的类型。K和V要求必须是Hadoop的序列化机制，比如IntWritable、Text等。
(c)SparkContext的hadoopRDD()方法，对于Hadoop的自定义输入类型，可以创建RDD。该方法接收JobConf、InputFormatClass、Key和Value的Class。
(d)SparkContext的objectFile()方法，可以针对之前调用的RDD的saveAsObjectFile()创建的对象序列化的文件，反序列化文件中的数据，并创建一个RDD。

注意点：
(a)如果是针对本地文件的话：

如果是在Windows上进行本地测试，windows上有一份文件即可；
如果是在Spark集群上针对Linux本地文件，那么需要将文件拷贝到所有worker节点上（就是在spark-submit上使用—master指定了master节点，使用standlone模式进行运行，而textFile()方法内仍然使用的是Linux本地文件，在这种情况下，是需要将文件拷贝到所有worker节点上的）；
(b)Spark的textFile()方法支持针对目录、压缩文件以及通配符进行RDD创建
(c)Spark默认会为hdfs文件的每一个block创建一个partition，但是也可以通过textFile()的第二个参数手动设置分区数量，只能比block数量多，不能比block数量少

3、通过DStream对象的foreachRDD创建
通过DStream对象将流数据按时间窗口进行切分，每个窗口数据为一个Rdd
部分示例代码：

kafkaStream.foreachRDD(
        rdd => {
          this.processRdd(rdd)
          val offsetRanges = rdd.asInstanceOf[HasOffsetRanges].offsetRanges
          kafkaStream.asInstanceOf[CanCommitOffsets].commitAsync(offsetRanges)
        }
      )

四、参考资料
1、https://blog.csdn.net/lemonZhaoTao/article/details/77923337