Spark3000门徒第11课彻底解密WordCount运行原理总结

今晚听了王家林老师的第11课：彻底解密WordCount运行原理，课堂笔记以及作业如下：

在第一个Stage中，

def textFile(
      path: String,
      minPartitions: Int = defaultMinPartitions): RDD[String] = withScope {
    assertNotStopped()
    hadoopFile(path, classOf[TextInputFormat], classOf[LongWritable], classOf[Text],
      minPartitions).map(pair => pair._2.toString).setName(path)
  }

Hdfs：存储（分布式）数据      hadoopRDD:从hdfs上读取分布式数据，MapPartitionRdd操作，基于HadoopRDD产生的Partition去掉行的Key,不要索引只要文件内容，

textFile:hdfs->HadoopRDD->MapPartitionRDD

FlatMap: MapPartitionRdd操作:对每个Partition中的每一行单词切分并合并成一个大的单词实例的集合

val pairs = words.map{ word => (word,1)}

这一步MapPartitionRdd操作：对每个单词实例变为形如word => (word,1)

shuffle经过网络传输，

reduceByKey 源码 ：

def combineByKeyWithClassTag[C](
  new ShuffledRDD[K, V, C](self, partitioner)
        .setSerializer(serializer)
        .setAggregator(aggregator)
        .setMapSideCombine(mapSideCombine)
    }

保存数据到HDFS的角度讲shuffle后还有一个MapPartitionRDD

def saveAsTextFile(path: String) {
    this.map(x => (NullWritable.get(), new Text(x.toString)))
      .saveAsHadoopFile[TextOutputFormat[NullWritable, Text]](path)
  }

所以第二个Stage有 ShuffledRDD 和MapPartitionsRDD

后续课程可以参照新浪微博 王家林_DT大数据梦工厂：http://weibo.com/ilovepains

王家林  中国Spark第一人,微信公共号DT_Spark

博客：http://bolg.sina.com.cn/ilovepains

转载请说明出处！