Spark初始

回顾MR

对比Spark

核心RDD

• 理解RDD

  一个 RDD 可以简单的理解为一个分布式的元素集合.

  RDD 表示只读的分区的数据集，对 RDD 进行改动，只能通过 RDD 的转换操作, 然后得到新的 RDD, 并不会对原 RDD 有任何的影响.

  在 Spark 中, 所有的工作要么是创建 RDD, 要么是转换已经存在 RDD 成为新的 RDD, 要么在 RDD 上去执行一些操作来得到一些计算结果.

  每个 RDD 被切分成多个分区(partition), 每个分区可能会在集群中不同的节点上进行计算.

• 通过wordCount理解RDD

算子

Transformations转换算子：Transformations算子是延迟执行，也叫懒加载执行。

Action行动算子：一个application应用程序中有几个Action类算子执行，就有几个job运行。

控制算子：控制算子有三种cache,persist,checkpoint，以上算子都可以将RDD持久化，持久化的单位是partition。cache和persist都是懒执行的。必须有一个action类算子触发执行。checkpoint算子不仅能将RDD持久化到磁盘，还能切断RDD之间的依赖关系。

• 控制算子

  cache算子：默认将RDD的数据持久化到内存中。cache是懒执行。

  persist算子：可以指定持久化的级别。最常用的是MEMORY_ONLY和MEMORY_AND_DISK。”_2”表示有副本数。

  【注意】

  1. cache和persist都是懒执行，必须有一个action类算子触发执行。
  2. cache和persist算子的返回值可以赋值给一个变量，在其他job中直接使用这个变量就是使用持久化的数据了。持久化的单位是partition。
  3. cache和persist算子后不能立即紧跟action算子。
  4. cache和persist算子持久化的数据当applilcation执行完成之后会被清除。

  checkpoint算子：checkpoint将RDD持久化到磁盘，还可以切断RDD之间的依赖关系。checkpoint目录数据当application执行完之后不会被清除。

  【原理】

  1. 当RDD的job执行完毕后，会从finalRDD从后往前回溯。
  2. 当回溯到某一个RDD调用了checkpoint方法，会对当前的RDD做一个标记。
  3. Spark框架会自动启动一个新的job，重新计算这个RDD的数据，将数据持久化到HDFS上。
     优化：对RDD执行checkpoint之前，最好对这个RDD先执行cache，这样新启动的job只需要将内存中的数据拷贝到HDFS上就可以，省去了重新计算这一步。