新闻实时分析系统 Spark2.X分布式弹性数据集

1.三大弹性数据集介绍

1）概念

 

2）优缺点对比

 

 

 

2.Spark RDD概述与创建方式

1）概述

在集群背后，有一个非常重要的分布式数据架构，即弹性分布式数据集（resilientdistributed dataset，RDD），它是逻辑集中的实体，在集群中的多台机器上进行了数据分区。RDD是Spark的核心数据结构，通过RDD的依赖关系形成Spark的调度顺序。 通过对RDD的操作形成整个Spark程序。

2）创建方式

a）创建方式一

val data = Array(1, 2, 3, 4, 5)

val distData = sc.parallelize(data)

b）创建方式二

scala> val distFile = sc.textFile("data.txt")

distFile: org.apache.spark.rdd.RDD[String] = data.txt MapPartitionsRDD[10] at textFile at < console >:26

3.spark RDD 五大特性

 

4.spark RDD操作方式

1）RDD是一个懒执行，直到Action阶段才会真正执行。

 

2）RDD三大操作

 

a）Transfamation 函数

 

b）Action函数

 

c）具体使用

 

5.DataFrame创建方式与功能

1）什么是DataFrame

 

2）DataFrame与RDD对比

 

3）DataFrame与DataSet对比

 

4）创建方式一：RDD转换DataFrame

 

5）创建方式一：DataSet转换DataFrame

 

6.DataSet创建方式及功能

DataSet创建方式

 

7.Spark2.X源码分析

下载Spark2.2-src源码包，解压之后导出idea工具即可。

8.数据集之间的对比和转换

1）RDD与DataSet数据操作方式

 

 

 

 

 

 

 

 

2）转换操作

DataFrame/DataSet转RDD

 

分组排序