Resilient Distributed Datasets (RDD)

Resilient Distributed Datasets

 

RDD本质上是一组数据的Spark表示，分布在多台机器上，使用API​​让您对其进行操作。RDD可以来自任何数据源，例如文本文件，通过JDBC的数据库等。

其定义为：

RDD是容错的并行数据结构，允许用户明确地将中间结果保存在内存中，控制其分区以优化数据放置，并使用各种的运算符操作。

弹性分布式数据集（RDD）是Spark的基本数据结构。它是一个不可变的分布式对象集合。RDD中的每个数据集被划分为逻辑分区，其可以在集群的不同节点上计算。RDD可以包含任何类型的Python，Java或Scala对象，包括用户定义的类。

 

形式上，RDD是只读的分区记录集合。可以通过对稳定存储或其他RDD上的数据的确定性操作来创建RDD。RDD是一个容错的容错集合，可以并行操作。

 

有两种方法可以创建RDD - 在驱动程序中并行化现有集合，或在外部存储系统中引用数据集，例如共享文件系统，HDFS，HBase或提供Hadoop输入格式的任何数据源。

 

Spark利用RDD的概念来实现更快，更高效的MapReduce操作。让我们首先讨论MapReduce操作是如何发生的以及为什么它们不那么有效。

 

MapReduce中的数据共享速度很慢

MapReduce被广泛用于在集群上使用并行分布式算法处理和生成大型数据集。它允许用户使用一组高级操作符编写并行计算，而不必担心工作分配和容错。

 

不幸的是，在大多数当前框架中，在计算之间重用数据的唯一方法（Ex − between two MapReduce jobs）是将其写入外部稳定存储系统（Ex-HDFS）。虽然这个框架提供了许多用于访问集群计算资源的抽象，但用户仍然需要更多。

 

迭代和交互应用程序都要求跨并行作业更快地共享数据。由于复制、序列化和磁盘IO, MapReduce中的数据共享很慢。对于存储系统，大多数Hadoop应用程序花费90%以上的时间进行HDFS读写操作。

 

MapReduce上的迭代操作

在多阶段应用程序中跨多个计算重用中间结果。下面的插图解释了当前框架如何工作，同时在MapReduce上执行迭代操作。由于数据复制、磁盘I/O和序列化导致系统运行缓慢，这会导致大量开销。

 

MapReduce上的交互操作

用户在同一数据子集上运行特殊查询。每个查询将在稳定的存储上执行磁盘I/O，这将支配应用程序的执行时间。

下图解释了当前框架在MapReduce上执行交互查询时是如何工作的。

 

利用RDD做数据共享

由于复制、序列化和磁盘IO, MapReduce中的数据共享很慢。大多数Hadoop应用程序花费90%以上的时间执行HDFS读写操作。

认识到这个问题后，研究人员开发了一个名为Apache Spark的专门框架。spark的核心思想是弹性分布式数据集(RDD);它支持内存处理计算。这意味着，它将内存状态作为一个对象跨作业存储，并且该对象可以在这些作业之间共享。内存中的数据共享速度比网络和磁盘快10到100倍。

 

在RDD中上的迭代操作

下图显示了Spark RDD上的迭代操作。它将中间结果存储在分布式内存中，而不是稳定的存储(磁盘)中，使系统速度更快。

注意:如果分布式内存(RAM)不足以存储中间结果(作业状态)，那么它将把这些结果存储在磁盘上。

 

 

 

基于RDD中的交互操作

这个图显示了Spark RDD上的交互操作。如果在同一组数据上重复运行不同的查询，则可以将此特定数据保存在内存中，以获得更好的执行时间。

默认情况下，每次对每个转换后的RDD运行操作时，都可以重新计算它。不过，您也可以在内存中保存一个RDD，在这种情况下，Spark将把元素保存在集群中，以便在下次查询时更快地访问它。还支持在磁盘上持久存储RDDs，或跨多个节点复制RDDs。