Spark 2.x管理与开发-Spark Core-Spark的算子（一）RDD基础*

Spark 2.x管理与开发-Spark的算子（一）RDD基础*

1）什么是RDD？

RDD（Resilient Distributed Dataset）叫做弹性分布式数据集，是Spark中最基本的数据抽象（也就是Spark处理的数据，都是RDD），它代表一个不可变、可分区、里面的元素可并行计算的集合。

RDD具有数据流模型的特点：自动容错、位置感知性调度和可伸缩性。RDD允许用户在执行多个查询时显式地将工作集缓存在内存中，后续的查询能够重用工作集，这极大地提升了查询速度。

可以把RDD理解成：一堆数据+一堆函数就可以了。

这堆函数就是用来操作这堆数据的，而这堆数据分布在分区里，分区又分布在各个节点里面，

所以RDD是一个逻辑概念，分区是一个物理概念。

2）RDD的属性（源码中的一段话）

Spark－RDD的API：

https://spark.apache.org/docs/2.1.0/api/scala/#org.apache.spark.rdd.RDD

（1）一组分区（Partition），即数据集的基本组成单位。对于RDD来说，每个分片都会被一个计算任务处理，并决定并行计算的粒度。用户可以在创建RDD时指定RDD的分片个数，如果没有指定，那么就会采用默认值。默认值就是程序所分配到的CPU Core的数目。

理解：RDD是由分区组成（RDD就是一个分区的集合），每个分区运行在不同的worker上，通过这种方式，实现了分布式计算。

（2）一个计算每个分区的函数。Spark中RDD的计算是以分片为单位的，每个RDD都会实现compute函数以达到这个目的。compute函数会对迭代器进行复合，不需要保存每次计算的结果。

理解：在RDD中有一系列函数，用于处理计算每个分区中的数据。函数称作算子。

算子包含两部分：（１）Transformation：延时计算　lazy修饰　（重点）

　　　　　　　　（２）Action：立即执行计算　collect　saveAsTextFile

（3）RDD之间的依赖关系。RDD的每次转换都会生成一个新的RDD，所以RDD之间就会形成类似于流水线一样的前后依赖关系。在部分分区数据丢失时，Spark可以通过这个依赖关系重新计算丢失的分区数据，而不是对RDD的所有分区进行重新计算。

理解：RDD之间由于不同的转换关系，彼此存在依赖关系。

（4）一个Partitioner，即RDD的分片函数。当前Spark中实现了两种类型的分片函数，一个是基于哈希的HashPartitioner，另外一个是基于范围的RangePartitioner。只有对于于key-value的RDD，才会有Partitioner，非key-value的RDD的Parititioner的值是None。Partitioner函数不但决定了RDD本身的分片数量，也决定了parent RDD Shuffle输出时的分片数量。

理解：创建RDD时，可以自定义分区规则，这类似于MapReduce中的分区。

（5）一个列表，存储存取每个Partition的优先位置（preferred location）。对于一个HDFS文件来说，这个列表保存的就是每个Partition所在的块的位置。按照“移动数据不如移动计算”的理念，Spark在进行任务调度的时候，会尽可能地将计算任务分配到其所要处理数据块的存储位置。

理解：优先选择离文件位置近的节点执行程序

3）RDD的创建方式

• 通过外部的数据文件创建，如HDFS

val rdd1 = sc.textFile(“hdfs://192.168.88.111:9000/data/data.txt”)

所以，HDFS可以视为一块巨大无比的硬盘，只是调用时的名字较为复杂。

• 通过sc.parallelize进行创建

val rdd1 = sc.parallelize(Array(1,2,3,4,5,6,7,8))

 

• RDD的类型：Transformation和Action

4）RDD的基本原理