Spark 编程模型(上)

初识RDD

什么是RDD？

定义:Resilient distributed datasets (RDD), an efficient, general-purpose and fault-tolerant abstraction for sharing data in cluster applications.

　　RDD 是只读的。　　

　　 RDD 是分区记录的集合。

　　 RDD 是容错的。--- lineage RDD 是高效的。

　　 RDD 不需要物化。---物化：进行实际的变换并最终写入稳定的存储器上

　　RDD 可以缓存的。---可指定缓存级别

RDD是spark的核心，也是整个spark的架构基础，RDD是弹性分布式集合（Resilient Distributed Datasets）的简称，是分布式只读且已分区集合对象。这些集合是弹性的，如果数据集一部分丢失，则可以对它们进行重建。

RDD接口

RDD的本质特征

RDD--partitions

Spark中将1~100的数组转换为rdd。

通过第15行的size获得rdd的partition的个数，此处创建rdd显式指定定分区个数2，默认数值是这个程序所分配到的资源的cpu核的个数。

RDD-preferredLocations

返回此RDD的一个partition的数据块信息，如果一个数据块（block）有多个备份在返回所有备份的location地址信息：主机ip或域名。

作用：spark在进行任务调度室尽可能根据block的地址做到本地计算。

RDD-dependencies

RDD之间的依赖关系分为两类：

● 窄依赖

每个父RDD的分区都至多被一个子RDD的分区使用，即为OneToOneDependecies。

● 宽依赖

多个子RDD的分区依赖一个父RDD的分区，即为ShuffleDependency 。例如，map操作是一种窄依赖，而join操作是一种宽依赖（除非父RDD已经基于Hash策略被划分过了，co-partitioned）。

窄依赖相比宽依赖更高效资源消耗更少

允许在单个集群节点上流水线式执行，这个节点可以计算所有父级分区。例如，可以逐个元素地依次执行filter操作和map操作。
相反，宽依赖需要所有的父RDD数据可用并且数据已经通过类MapReduce的操作shuffle完成。

在窄依赖中，节点失败后的恢复更加高效。

因为只有丢失的父级分区需要重新计算，并且这些丢失的父级分区可以并行地在不同节点上重新计算。
与此相反，在宽依赖的继承关系中，单个失败的节点可能导致一个RDD的所有先祖RDD中的一些分区丢失，导致计算的重新执行。

RDD-compute

分区计算：Spark对RDD的计算是以partition为最小单位的，并且都是对迭代器进行复合，不需要保存每次的计算结果。

RDD- partitioner

分区函数：目前spark中提供两种分区函数：

HashPatitioner（哈希分区）
RangePatitioner（区域分区）

且partitioner只存在于（K，V）类型的RDD中，rdd本身决定了分区的数量。

RDD- lineage

val lines = sc.textFile("hdfs://...")
// transformed RDDs
val errors = lines.filter(_.startsWith("ERROR"))
val messages = errors.map(_.split("\t")).map(r => r(1))
messages.cache()
// action 1
messages.filter(_.contains("mysql")).count()
// action 2
messages.filter(_.contains("php")).count()