RDD

RDD(Resilient Distributed Dataset) 弹性分布式数据集是spark中最基本的数据抽象,它代表不可变的、可分区的、里面的数据可以进行并行计算的集合。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允许用户在查询数据时显示的将数据集缓存在内存中,后续的查询能够重用缓存集,这样极大的提升了查询速度。

RDD的主要属性

- A list of partitions
- A function for computing each split
- A list of dependencies on other RDDs
- Optionally, a Partitioner for key-value RDDs (e.g. to say that the RDD is hash-partitioned)
- Optionally, a list of preferred locations to compute each split on (e.g. block locations for an HDFS file)

1)一组分区(Partition),即数据集的基本组成单位。对于RDD来说,每个分区都会被一个计算任务(Task)处理,并决定并行计算的粒度。用户可以在创建RDD时指定RDD的分区个数(repartition()),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。

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。

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。

4)一个Partitioner,即RDD的分区函数。当前Spark中实现了两种类型的分区函数,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本身的分区数量,也决定了parent RDD Shuffle输出时的分区数量。

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。

posted @ 2017-04-26 14:19  天之涯0204  阅读(253)  评论(0编辑  收藏  举报