RDD编程初级实践

1.需求描述

  本次实验需要基于Linux操作系统，熟悉Spark的RDD基本操作及键值对操作；熟悉使用RDD编程解决实际具体问题的方法。

RDD 是 Spark 提供的最重要的抽象概念，它是一种有容错机制的特殊数据集合，可以分布在集群的结点上，以函数式操作集合的方式进行各种并行操作。 RDD典型的执行过程如下：RDD读入外部数据源（或者内存中的集合）进行创建；RDD经过一系列的“转换”操作，基于现有的数据集创建一个新的数据集；最后一个RDD经“行动”操作进行处理，在数据集上进行运算，返回计算值。

RDD采用了惰性调用，即在RDD的执行过程中，真正的计算发生在RDD的“行动”操作，对于“行动”之前的所有“转换”操作，Spark只是记录下“转换”操作应用的一些基础数据集以及RDD生成的轨迹，即相互之间的依赖关系，而不会触发真正的计算。

 

2.环境介绍

实验环境基于：

虚拟机：Oracle VM VirtualBox

操作系统：Ubuntu16.04

Spark版本：3.1.1

Python版本：3.8.5

Spark 的核心是建立在统一的抽象弹性分布式数据集（Resiliennt Distributed Datasets，RDD）之上的，这使得 Spark 的各个组件可以无缝地进行集成，能够在同一个应用程序中完成大数据处理。Spark最大的特点就是将计算数据、中间结果都存储在内存中，大大减少了IO开销，因而，Spark更适合于迭代运算比较多的数据挖掘与机器学习运算。

 

3.数据来源描述

本次实验数据来源指导老师提供的数据集，每个实验有对应的数据集，三个实验共6个实验数据文件，如下文所示：

实验一，提供分析数据data.txt，该数据集包含了某大学计算机系的成绩，数据格式如下所示：

实验二，提供了两个输入文件（A.txt、B.txt），编写下面是输入文件和输出文件的一个样例：

输入文件A的样例如下：