3.2 创建RDD

RDD中的数据来源可以是程序中的对象集合，也可以是外部存储系统中的数据集，例如共享文件系统、HDFS、HBase或任何提供Hadoop InputFormat的数据源。

下面使用Spark Shell讲解常用的创建RDD的两种方式。

3.2.1 从对象集合创建RDD

Spark可以通过parallelize()或makeRDD()方法将一个对象集合转化为RDD。

例如，将一个List集合转化为RDD，代码如下：

scala> val rdd=sc.parallelize(List(1,2,3,4,5,6))
rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[0]

或

scala> val rdd=sc.makeRDD(List(1,2,3,4,5,6))
rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[1]

从返回信息可以看出，上述创建的RDD中存储的是Int类型的数据。实际上，RDD也是一个集合，与常用的List集合不同的是，RDD集合的数据分布于多台机器上。

3.2.2 从外部存储创建RDD

Spark的textFile()方法可以读取本地文件系统或外部其他系统中的数据，并创建RDD。不同的是，数据的来源路径不同。

1．读取本地系统文件

例如，本地CentOS系统中有一个文件/home /words.txt，该文件的内容如下：

hello hadoop
hello java
scala

使用textFile()方法将上述文件内容转为一个RDD，并使用collect()方法（该方法是RDD的一个行动算子，3.3.1小节将会详细讲解）查看RDD中的内容，代码如下：

scala> val rdd=sc.textFile("/home/words.txt")
rdd: org.apache.spark.rdd.RDD[String] = /home/words.txt MapPartitionsRDD[1]

scala> rdd.collect
res1: Array[String] = Array("hello hadoop ", "hello java ", "scala ")

从上述rdd.collect的输出内容可以看出，textFile()方法将源文件中的内容按行拆分成了RDD集合中的多个元素。

2．读取HDFS系统文件

将本地系统文件/home/words.txt上传到HDFS系统的/input目录，然后读取文件/input/words.txt中的数据，代码如下： L4WAXgiVoNGpBUfQrut0Kt32jUvEBaEhjm6Zp09Gx9D2H4BvlmfwLGotZZgzIBsX

    scala> val rdd=sc.textFile("hdfs://centos01:9000/input/words.txt")
    rdd: org.apache.spark.rdd.RDD[String] = hdfs://centos01:9000/input/words.txt
MapPartitionsRDD[2]

    scala> rdd.collect
    res2: Array[String] = Array("hello hadoop ", "hello java ", "scala ")