spark基础–rdd的生成

使用parallelize创建RDD 也 可以使用makeRDD来创建RDD。

通过查看源码可以发现，makeRDD执行的时候，也是在调用parallelize函数，二者无区别。

通过 .textFile 可以通过文件读取项目路径 和 hdfs 文件路径

*

makeRDD 和 parallelize 第二个参数为处理的并行度数量

不给定时，默认值为 通过

conf.getInt(“spark.default.parallelism”, math.max(totalCoreCount.get(), 2)) 获取

即 获取 spark.default.parallelism 参数值

当参数值存在时，使用 spark.default.parallelism 配置的参数

当参数不存在时，比较系统总共可用核数 和 2 ，哪个大使用哪个

*

通过.textFile 第二个参数为处理的并行度数量（textFile对数据切分规则和hadoop对文件切分规则一致）

不给定时，默认值为取 conf.getInt(“spark.default.parallelism”, math.min(totalCoreCount.get(), 2))

即参数不存在时，比较系统总共可用核数 和 2 ，哪个小使用哪个，但是不一定是分区数，取决于hadoop读取文件时的分片规则

查看源码可发现，底层调用的是 hadoopFile，因此 假设参数默认值为 2

经过hadoop切片处理，会经过hadoop对文件进行切分，假如数据为5条，经过hadoop切片会分成 2 2 1 条数据

*

saveRDD 函数存储的分区数，即数据文本数量，取决于 运行的并行度