spark RDD

RDD简介

RDD，全称为Resilient Distributed Datasets（弹性分布式数据集），是一个容错的、并行的数据结构，可以让用户显式地将数据存储到磁盘和内存中，并能控制数据的分区。同时，RDD还提供了一组丰富的操作来操作这些数据。在这些操作中，诸如map、flatMap、filter等转换操作实现了函数式编程模式，很好地契合了Scala的集合操作。除此之外，RDD还提供了诸如join、groupBy、reduceByKey等更为方便的操作（注意，reduceByKey是action，而非transformation），以支持常见的数据运算。

通常来讲，针对数据处理有几种常见模型，包括：Iterative Algorithms，Relational Queries，MapReduce，Stream Processing。例如Hadoop MapReduce采用了MapReduces模型，Storm则采用了Stream Processing模型。RDD混合了这四种模型，使得Spark可以应用于各种大数据处理场景。

定义： 只读的，可分区的分布式数据集；数据集可全部或部分缓存在内存中，在一个App多次计算间重用， RDD是Spark的核心。

血统容错：根据血统（父子间依赖关系）重计算恢复丢失数据

RDD操作： Transformation算子和Action算子。

原生数据空间转RDD

原生的SCALA数据集合可以转换为RDD进行操作

包含一下两种方式

makeRDD

parallelize

存储文件转RDD

Partition（分区）

一份待处理的原始数据会被按照相应的逻辑切分成n份，每份数据对应到RDD中的一个Partition，Partition的数量决定了task的数量，影响着程序的并行度，所以理解Partition是了解spark背后运行原理的第一步。

分区数的设置：

1. 在local模式下通过设置local[*]，设置分区数

local[2]:2个

local[*]：拿到当前CPU的内核数，比如是双核的就是2  4核就是4

1. 通过自定义分区数
2. 通过设置初始化分区数

sc.makeRDD(1 to 1000,5)

1. 可通过算子来进行修改分区数.repartition(3)
2. 如果使用的是scala集合的话，在特定的格式下，会根据数量量来创建分区makeRdd
3. 读取HDFS上的数据时根据块的数量来划分分区数

Spark核心概念 – 宽依赖和窄依赖

RDD父子依赖关系：窄（ Narrow）依赖和宽（ Wide）依赖。

窄依赖:指父RDD的每一个分区最多被一个子RDD的分区所用。

宽依赖:指子RDD的分区依赖于父RDD的所有分区。

Stage:

一个Job会被拆分为多组Task，每组任务被称为一个Stage就像Map Stage， Reduce Stage。Stage的划分在RDD的论文中有详细的介绍，简单的说是以shuffle和result这两种类型来划分。在Spark中有两类task，一类是shuffleMapTask，一类是resultTask，第一类task的输出是shuffle所需数据，第二类task的输出是result，stage的划分也以此为依据，shuffle之前的所有变换是一个stage，shuffle之后的操作是另一个stage。比如 rdd.parallize(1 to 10).foreach(println) 这个操作没有shuffle，直接就输出了，那么只有它的task是resultTask，stage也只有一个；如果是rdd.map(x => (x, 1)).reduceByKey(_ + _).foreach(println), 这个job因为有reduce，所以有一个shuffle过程，那么reduceByKey之前的是一个stage，执行shuffleMapTask，输出shuffle所需的数据，reduceByKey到最后是一个stage，直接就输出结果了。如果job中有多次shuffle，那么每个shuffle之前都是一个stage.

未经允许不得转载：木盒主机 » spark RDD