PySpark中數(shù)據(jù)輸入的2種方法

PySpark支持多種數(shù)據(jù)的輸入，在輸入完成后，都會得到一個：RDD類的對象RDD全稱為彈性分布式數(shù)據(jù)集(Resilient Distributed Datasets)，PySpark針對數(shù)據(jù)的處理，都是以RDD對象作為載體，即：

　　•數(shù)據(jù)存儲在RDD內

　　•各類數(shù)據(jù)的計算方法，也都是RDD的成員方法

　　•RDD的數(shù)據(jù)計算方法，返回值依舊是RDD對象

PySpark的編程模型(左圖)可以歸納為：準備數(shù)據(jù)到RDD -> RDD迭代計算 -> RDD導出為list、文本文件等，即：源數(shù)據(jù) -> RDD -> 結果數(shù)據(jù)

PySpark支持通過SparkContext對象的parallelize成員方法，將list、tuple、set、dict、str轉換為PySpark的RDD對象，示例代碼如下：

from pyspark import SparkConf,SparkContext

conf = SparkConf(.setMaster("local[*]").\
    setAppName("test_spark_app")
sc = SparkContext(conf=conf)

rdd=sc.para1lelize(數(shù)據(jù)容器對象）

# 輸出RDD的內容
print(rdd.collect(0)

注意：字符串會被拆分出1個個的字符，存入RDD對象，字典僅有key會被存入RDD對象。

PySpark也支持通過SparkContext入口對象，來讀取文件，來構建出RDD對象，示例代碼如下：

from pyspark import SparkConf,SparkContext

conf = SparkConf().setMaster("loca][*]").\
    setAppName("test_spark_app")
sc = SparkContext(conf=conf)

rdd=sc.textFile(文件路徑)

#打印RDD內容
print(rdd.collect())