spark RDD

RDD

RDD是Resilient Distributed Dataset的英文缩写，是spark的基本数据抽象，代表着一个不可变的、多分区的、可并行操作的元素集合。

RDD有5个主要属性：

• 分区列表 (partition list)
• 计算某个分区函数（compute）
• 依赖列表 (dependency list)
• kv类型RDD的分区器（可选的）
• 计算某个分区最优位置的函数（可选的）

abstract class RDD[T: ClassTag](
    @transient private var _sc: SparkContext,
    @transient private var deps: Seq[Dependency[_]]
  ) extends Serializable with Logging {
  
  def compute(split: Partition, context: TaskContext): Iterator[T]

  protected def getPartitions: Array[Partition]

  protected def getDependencies: Seq[Dependency[_]] = deps

  protected def getPreferredLocations(split: Partition): Seq[String] = Nil

  @transient val partitioner: Option[Partitioner] = None
  
  def this(@transient oneParent: RDD[_]) =
    this(oneParent.context, List(new OneToOneDependency(oneParent)))

可见血统关系是通过deps依赖列表来保存的，如果不指定依赖列表则默认创建一对一的依赖关系OneToOneDependency

函数注入

RDD类中定义了一些通用的转换函数如map``fliter``union等同时RDD的伴生对象中通过隐式转换的方式定义了一些额外的转换函数，比如kv类型的RDD一些转换函数：groupByKey cogroup等

  implicit def rddToPairRDDFunctions[K, V](rdd: RDD[(K, V)])
    (implicit kt: ClassTag[K], vt: ClassTag[V], ord: Ordering[K] = null): PairRDDFunctions[K, V] = {
    new PairRDDFunctions(rdd)
  }

依赖关系

Dependency抽象类来描述依赖关系，有两种子类:

• NarrowDependency 这也就是常说的窄依赖,子RDD的每一个分区依赖固定个父RDD的分区。这种依赖关系是固定的可以通过def getParents(partitionId: Int): Seq[Int]函数计算出子RDD的某个分区依赖的父RDD的分区。
• ShuffleDependency 也就是常说的宽依赖，这种依赖关系会触发shuffle，也是spark任务划分stage的标准。

具体实现

• MapPartitionsRDD 不创建新的分区列表，采用一对一的依赖关系，每个分区的计算就是在对应父分区上运用传入的转换函数。

  override val partitioner = if (preservesPartitioning) firstParent[T].partitioner else None

  override def getPartitions: Array[Partition] = firstParent[T].partitions

  override def compute(split: Partition, context: TaskContext): Iterator[U] =
    f(context, split.index, firstParent[T].iterator(split, context) 

• ParallelCollectionRDD 作为source类型的RDD,依赖列表为空,会根据传入的数据和并行度计算新的分区列表,用ParallelCollectionPartition对象保存每个分区的数据。

  override def getPartitions: Array[Partition] = {
    val slices = ParallelCollectionRDD.slice(data, numSlices).toArray
    slices.indices.map(i => new ParallelCollectionPartition(id, i, slices(i))).toArray
  }

  override def compute(s: Partition, context: TaskContext): Iterator[T] = {
    new InterruptibleIterator(context, s.asInstanceOf[ParallelCollectionPartition[T]].iterator)
  }

  override def getPreferredLocations(s: Partition): Seq[String] = {
    locationPrefs.getOrElse(s.index, Nil)
  }

• 把握好5个主要属性很容易实现自定义的RDD