spark数据结构之RDD
学习spark,RDD是一个逃不过去的话题,那么接下来我们看看RDD
1.什么是RDD?
RDD叫做弹性分布式数据集,是Spark中最基本的数据抽象,代表一个不可变、可分区、里面元素可以并行计算的集合。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的将工作集缓存在内存中,后续的查询能够重用工作集,极大的提升了查询速度
2RDD的属性
(1)一组分片,就是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的时候指定RDD的分片个数,如果没有指定,那么就会采用默认值。
(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,不需要保存每次的计算结果。
(3)RDD之间的依赖关系。RDD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的时候,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分区进行重新计算。
(4)一个partition,就是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HashPartitioner,另一个是基于方位的RangePartitioner。只有对于key-value的RDD,才会有Parition,非key-value的RDD的partition的值是None。Partiotion函数不但决定了RDD本身的分片数量,也决定了parent RDD Shuffle输出的分片数量
(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"移动移动数据不如移动计算"的理念,Spark在金sing任务调度的时候,会尽可能的将计算任务分配到其所要处理的数据块的存储位置
(6)RDD(弹性分布式数据集),是spark中的一个基本抽象,代表了一个不可变的分区的元素的集合,可以运行在一个并行的集合上,这个类包含了可以运行在所有的RDD上的基本的操作,例如map,filter以及persist。除此之外,org.apache.spark.rdd.PairedRDDFunctions包含仅能在RDDkey-value对上操作,如groupBy以及join操作。
(7)每个RDD包含了五个主要的属性:
(1)是一个分区列表
(2)针对每个切片的计算函数
(3)对其他RDD的依赖列表
(4)可选的,如果是KeyValueRDD的话,可以带一个分区类
(5)可选,首选块位置列表(主要针对hdfs block块的)