RDD 介绍
spark 最重要的一个概念叫 RDD，Resilient Distributed Dataset，弹性分布式数据集，它是 spark 的最基本的数据（也是计算）抽象。
代码中是一个抽象类，它代表一个 不可变、可分区、里面的元素可并行计算的数据集合。
RDD 的属性
拥有一组分区：数据集的基本组成单位
拥有一个计算每个分区的函数
拥有一个分区器，partitioner，即 RDD 的分片函数
RDD 间存在依赖关系 【下面 RDD 特点中有解释】
拥有一个列表，存储每个 partitioner 的优先位置
优先位置
这里有个概念叫移动数据不如移动计算，之前在 hadoop 中接触过这个概念，不多解释；
RDD 也是分区存储的，那么 RDD 的数据到底存储在哪个节点，必须有个记录；
当有请求过来时，为了提高运行效率，我们需要把任务下发到存储所需数据的节点，这样避免了网络传输
RDD 的特点
只读：无法进行更改，也就是不可变，如果需要改动，只能创建一个新的 RDD，也就是从一个 RDD 转换成另一个 RDD
依赖关系：一个 RDD 由另一个 RDD 转换得到，也就是 一个 RDD 依赖另一个 RDD，而且可以多层依赖，为了便于理解和描述，我们有时把依赖关系也叫血缘关系；
当 血缘关系 很长时，可以通过持久化 RDD 来切断血缘关系；
惰性执行：RDD 的执行是按照血缘关系延时计算的，也就是 惰性计算
依赖关系
依赖关系有两种
窄依赖：一对一；RDDs 之间分区 一 一对应，也就是一个分区完全由另一个分区转换得到，而不是由另外几个分区转换得到
宽依赖：多对一；与窄依赖相反，一个分区由另外几个分区转换得到
缓存
缓存是把 RDD 暂时存起来，用于如下场景：
1. 优化效率：一个程序中多次用到一个 RDD，可以先把这个 RDD 缓存起来，避免重复计算
2. 避免出错：
distFile = sc.textFile('README.md') m = distFile.map(lambda x: len(x)) # map 是 转换 操作，并不立即执行 m.cache() # 把 map 的输出缓存到内存中，其实 cache 就是 执行 操作 #或者 m.persist()
RDD 的创建
创建 RDD 有 3 种方式
1. 基于内存：从内存中的数据创建 RDD，并行化已存在的序列
2. 基于外部存储介质：读取外部数据源，比如 hdfs 【外部存储介质中的数据，注意 spark 本身没有存储功能】
3. 由一个 RDD 转换得到：这种方式不多解释
并行化数据集合
并行化集合是通过在一个 迭代器或者集合 上 调用 SparkContext 的 parallelize 方法生成的 【内存中的数据】
可能还有个 makeRDD，我这里实验不成功，makeRDD 封装了 parallelize，功能是一样的
data = range(10000) distData = sc.parallelize(data) distData.reduce(lambda a, b: a+b)
为了创建一个能并行操作的分布式数据集，所有元素都将被拷贝；
然后我们可以调用 reduce 进行叠加，累计求和
并行化集合时一个重要的参数是将数据集切分的数量。一个切片对应一个 spark 任务，我们可指定切片数量
distData2 = sc.parallelize(data, 100) # 切 100 分
外部数据集
由于 spark 本身没有存储功能，一般是从 本地文件、hadoop 等获取外部数据集
本地文件
textFile(name, minPartitions=None, use_unicode=True)[source] Read a text file from HDFS, a local file system (available on all nodes), or any Hadoop-supported file system URI, and return it as an RDD of Strings. If use_unicode is False, the strings will be kept as str (encoding as utf-8), which is faster and smaller than unicode. (Added in Spark 1.2)
minPartitions 指定最小分区数，也就是说，实际分区数可能比这个数大，在 hdfs 中，文件本身就是 以 block 存储的，此时这个 分区数 不能小于 block 数
示例代码
distFile = sc.textFile('README.md') distFile = sc.textFile('xx.csv') distFile = sc.textFile('logs') # 支持文件夹 # textFile("/my/directory/*.txt") # 支持通配符 # textFile("/my/directory/*.gz") # 支持压缩文件 type(sc.textFile('README.md')) # <class 'pyspark.rdd.RDD'> distFile.map(lambda x: int(x[-1])).reduce(lambda a, b: a + b) distFile.map(lambda x: len(x)).reduce(lambda a, b: a + b) # map 的输入是每一行，map 的作用是求每一行的 len # reduce 的输入是两个数字，reduce 的作用是求这两个数的和， # 也就是把 所有行的 len 逐次求当前元素（当前累计 len 的和）与下一元素的和
读取文件后自动生成 RDD；
各种读取方式都支持 多种 文件格式，如 文件夹，通配符、压缩文件
批量读取本地文件
distFile = sc.wholeTextFiles('files') # 读取 files 文件夹下所有文件内容，返回 (filename， filecontent) 键值对
输入必须是 路径
读取 hdfs 文件
rdd = sc.textFile('hdfs://hadoop10:9000/spark/dwd.csv')
RDD 的读取与存储
读取和存储其实都是一种 action 操作，这里只做简单介绍
rdd.collect() # 读取 rdd.saveAsPickleFile('path') rdd.saveAsTextFile('path')
存储路径事先不能存在；Pickle 序列化，编码存储；
RDD 算子
算子：认知心理学中的概念，它认为解决问题其实是将问题的初始状态，通过一系列的操作，对问题状态进行转换，然后达到解决状态，这个一系列操作称为算子。
只是一种高大上的叫法，其实就是 RDD 操作
RDD 支持两种类型的操作：transformations 和 actions
transformations：转换，就是从一种 RDD 转换成 另一种 符合 要求 的 RDD，类似于 map
actions：行动，执行计算，类似于 reduce，返回结果
值得注意的是，transformations 是惰性计算，也就是说 transformations 并不立即执行，只有 actions 时，才会执行 transformations
这使得 spark 高效，以 map-reduce 为例，如果我们 map 并不是目的，reduce 才是目的，那么 map 之后 就计算的话，输出存在哪里呢？
如果存在文件，一浪费时间，二浪费地方，如果我们 reduce 时才执行 map，直接把 map 的庞大输出存入内存即可，甚至 流式 传给 reduce，非常高效。
RDD 分区
我们通过实操来验证 RDD 是如何分区的
parallelize 分区
操作一：local 模式，不指定分区
data = range(5) distData = sc.parallelize(data) distData.saveAsPickleFile('output') # 存储路径事先不能存在
输出 4 个分区
_SUCCESS part-00000 # 存放了 0 part-00001 # 存放了 1 part-00002 # 存放了 2 part-00003 # 存放了 3,4
4 从何而来呢？
[root@hadoop10 ~]# cat /proc/cpuinfo |grep "cores"|uniq cpu cores : 4
即 CPU 核数，
也就是说，parallelize 默认分区数为 CPU 核数
操作二：local 模式，指定分区
data = range(5) distData = sc.parallelize(data, 3) distData.saveAsTextFile('output')
输出 3 个分区
_SUCCESS part-00000 # 存放了 0 part-00001 # 存放了 12 part-00002 # 存放了 34
也就是说，指定了分区数，就分为多少个区，注意，请指定 大于等于 2 的数，不要瞎搞
操作三：local 模式，指定分区，且分区数大于数据量
data = range(5) distData = sc.parallelize(data, 6) distData.saveAsTextFile('output')
输出 6 个分区
_SUCCESS part-00000 # 存放了 空 part-00001 # 存放了 0 part-00002 # 存放了 1 part-00000 # 存放了 2 part-00001 # 存放了 3 part-00002 # 存放了 4
也就是说，即使数据量不够多个分区瓜分，也会按指定个数生成分区，没分到数据的分区为空
通过源码知悉，parallelize 的分区数优先级 为 自定义 --> max(cpu 核数，2)，也就是最小为 2
textFile 分区
这个相对来说比较麻烦，我们做个简单介绍。
首先看下 textFile 源码
可以看到，minPartitions 就是我们自定义的分区数；然后 调用了 hadoopFile 方法并把 minPartitions 传给了 hadoopFile；
minPartitions 的默认值是 调用 defaultMinPartitions 方法，源码如下
它取 defaultParallelism 和 2 的最小值；defaultParallelism 方法 源码如下
spark.default.parallelism 是在 SPARK_HOME/conf/spark-default.conf 中设置的一个参数，默认是没有这个配置的；
所以：
1. 如果没有在 textFile 中指定 minPartitions，而且也没有配置 spark.default.parallelism，那么 minPartitions 最大是 2
2. 如果没有在 textFile 中指定 minPartitions，但是配置了 spark.default.parallelism，那么 minPartitions 最大也是 2 【如果没有自定义分区数 minPartitions，那么 minPartitions = min(max(CPU 核数， 2)， 2)；假设我们认为核数大于 2 ，故 minPartitions = 2】
3. 如果没有在 textFile 中指定 minPartitions，minPartitions 最大是 2
4. 如果在 textFile 中指定了 minPartitions，minPartitions 就是指定数目
接下来，我们把 minPartitions 传给 hadoopFile，hadoopFile 会计算文件（如果有多个文件，计算全部文件大小）大小 totalSize，然后把文件 split 成 minPartitions 分，每个切片大小为 goalSize = totalSize / minPartitions，取整
每个 hadoop block 也是一个 文件，在 hadoop中 block 大小是有 最大值的，比如 64M，也就是说我们不能把文件切分成 大于 block 大小的块，也就是说 切片 取 min(goalSize， blockSize) 作为 真正的 切片大小，
但是 切片太小的话又没有意义了，所以 splitSize = max(minSize,min(goalSize, blockSize))， 而 minSize = max(SPLIT_MINSIZE,1)，也就是说 minSize 最小为 1， 于是 splitSize 最小为 1，
分数区计算：totalSize / splitSize，如果整除，就是本身，如果不整除，取整，然后 + 1
那我们来测试下
dataFile = sc.textFile('data.txt') dataFile.saveAsTextFile('output')
7 字节文件，不指定分区数，结果分为 3 个区；splitSize = 7 / 2 = 3.5 = 3， 分区数 = 7 / 3 = 2 + 1 = 3
8 字节文件，不指定分区数，结果分为 2 个区；splitSize = 8 / 2 = 4，分区数 = 8 / 4 = 2
8 字节文件，指定 4 个分区，splitSize = 8 / 4 = 2，分区数 = 8 / 2 = 4；经测试，正解
参考资料：
https://blog.csdn.net/zjwcsdn123/article/details/80489537 spark中textfile方法对文件的分片
https://www.jianshu.com/p/e33671341f0d spark通过textFile读取hdfs数据分区数量规则
