目录
一、RDD概述
1.RDD定义
RDD(Resilient Distributed Dataset)叫做弹性分布式数据集,是Spark中最基本的数据抽象,代表一个不可变、可分区、里面元素可并行计算的集合。
·Dataset:一个数据集合,用于存放数据的。
·Distributed:RDD中的数据是分布式存储的,可用于分布式计算。
·Resilient:RDD中的数据可以存储在内存中或者磁盘中。
可以认为RDD是分布式的列表List或数组Array,抽象的数据结构,RDD是一个抽象类Abstract Class和泛型Generic Type。
RDD将Spark的底层的细节都隐藏起来(自动容错、位置感知、任务调度执行,失败重试等),让开发者可以像操作本地集合一样以函数式编程的方式操作RDD这个分布式数据集,进行各种并行计算,RDD中很多处理数据函数与列表List中相同与类似。
2.RDD设计的核心点:
RDD提供了一个抽象的数据模型,不必担心底层数据的分布式特性,只需将具体的应用逻辑表达为一系列转换操作(函数),不同RDD之间的转换操作之间还可以形成依赖关系,进而实现管道化,从而避免了中间结果的存储,大大降低了数据复制、磁盘IO和序列化开销,并且还提供了更多的APl(map/reduec/filter/groupBy等等)。
3.RDD的特性
(1)A list of partitions(RDD是有分区的)
①一组分片(Partition)/一个分区(Partition)列表,即数据集的基本组成单位;
②对于RDD来说,每个分片都会被一个计算任务处理,分片数决定并行度;
③用户可以创建RDD是指定RDD的分片个数,如果没有指定,那就会采用默认值;
(2)A function for computing each split(计算方法会作用带每一个分区(分片)之上)
①一个函数会被作用在每一个分区;
②Spark中RDD的计算是以分片为单位的,compute函数会被作用到每个分区上;
(3)A list of dependencies bn other RDDs(RDD之间是有相互依赖的关系的)
①一个RDD会依赖于其他多个RDD;
②RDD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(Spark的容错机制)。
(4)Optienally, a Partitioner for key-value RDDs (e.g. to say that the RDD ishash-partitioned)(KV型RDD可以有分区器)
①可选项对于KeyValue类型的RDD会有一个Partitioner,即RDD的分区函数;
②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。
③只有对于于key-value的RDD,才会有Partitioner,非key-value的RDD的Parititioner的值是None。
④Partitioner函数不但决定了RDD本身的分片数量,也决定了parent RDD Shuffle输出时的分片数量。
(5)Optionally, a list of preferred locations to compute each split on (e.g. block locationsfor an HDFS file)(RDD分区数据的读取会尽量靠近数据所在地)
①可选项,一个列表,存储存取每个Partition的优先位置(preferred location);
②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。
③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,会尽可能选择那些存有数据的worker节点来进行任务计算。(数据本地性)
RDD是一个数据集的表示,不仅表示了数据集,还表示了数据集从哪来、如何计算,主要属性包括五个方面(必须牢记,通过编码加深理解,面试常问):
RDD 设计的一个重要优势是能够记录 RDD间的依赖关系,即所谓血统(lineage)。通过丰富的转移操作(Transformation),可以构建一个复杂的有向无环图,并通过这个图来一步步进行计算。
wordcount代码RDD特性分析
二、RDD创建
(1)创建RDD
将数据封装到RDD集合中,主要有两种方式:并行化本地集合(Driver Program中)和引用加载外部存储系统(如HDFS、Hive、HBase、Kafka、Elasticsearch等)数据集。
/* SparkApplication应用,创建SparkContext对象,及应用结束关闭资源,代码示例*/
def main(args: Array [string]): Unit = {
//构建SparkContext对象
val sc : SparkContext = {
// a.创建SparkConf对象
import org.apache.spark.{SparkConf,SparkContext}
val sparkConf = new SparkConf()
.setAppName(this.getClass.getSimpleName.StripSuuffix("$"))
.setMaster("local[2]")
//b.传递SparkConf对象,创建实例
val context = SparkContext.getOrCreate(sparkConf) //有就获取,没有创建
//c.返回实例对象
context
}
//TODO:创建本地集合
val seq:Seq[Int] = Seq(1, 2, 3, 4, 5, 6, 7, 8)
//并行化本地集合,创建RDD
/*
def parallelize[T: ClassTag](
seq: Seq[T],
numSlices: Int = defaultParallelism
): RDD[T]
*/
val inputRDD:RDD[Int] = sc.parallelize(seq,numSlices = 2)
inputRDD.foreach(item => println(item))
//TODO:外部存储系统
/*
def textFile(
path: string,
mihPartitions: Int = defaultMinPartitions
): RDD[String]
*/
sc.textFile( path = "datas/wordcount.data", minPartitions = 2)
//其中文件路径:最好是全路径,可以指定文件名称,可以指定文件目录,可以使用通配符指定。
//实际项目中如果从HDFS读取海量数据,应用运行在YARN上,默认情况下,RDD分区数目等于HDFS上Block块数目。
//应用结束,关闭资源
sc.stop()
}
(2)RDD分区数目
分区是一个偏物理层的概念,也是RDD并行计算的核心。数据在RDD内部被切分为多个子集合,每个子集合可以被认为是一个分区,运算逻辑最小会被应用在每一个分区上,每个分区是由一个单独的任务(task)来运行的,所以分区数越多,整个应用的并行度也会越高。
/*获取RDD分区数目两种方式:*/
//方式一:直接获取
rdd.getNumPartitions
//方式二:通过RDD获取
rdd.partitions .length
RDD分区的数据取决于哪些因素?
①RDD分区的原则是使得分区的个数尽量等于集群中的CPU核心(core)数目,这样可以充分利用CPU的计算资源;
②在实际中为了更加充分的压榨CPU的计算资源,会把并行度设置为cpu核数的2~3倍;
③RDD分区数和启动时指定的核数、调用方法时指定的分区数、如文件本身分区数有关系,具体如下说明:
(1)、启动的时候指定的CPU核数确定了一个参数值:
spark.default.parallelism=指定的CPU核数(集群模式最小2).
(2)、对于Scala集合调用parallelize(集合,分区数)方法
如果没有指定分区数,就使用spark.default.parallelism
如果指定了就使用指定的分区数(不要指定大于spark.default.parallelism)
(3)、对于textFile(文件,分区数)
defaultMinPartitions:
如果没有指定分区数sc.defaultMinPartitions=min(defaultParallelism,2)
如果指定了就使用指定的分区数sc.defaultMinPartitions=指定的分区数rdd的分区数
RDD的分区数
(1)对与本地文件
rdd的分区数= max(本地file的分片数,sc.defaultMinPartitions)
(2)对于HDFS文件
rdd的分区数= max(hdfs文件的block数目,sc.defaultMinPartitions)
所以如果分配的核数为多个,且从文件中读取数据创建RDD,即使hdfs文件只有1个切片,最后的Spark的RDD的partition数也有可能是2。
三、RDD函数
(1)函数分类
对于Spark处理的大量数据而言,会将数据切分后放入RDD作为Spark的基本数据结构,开发者可以在 RDD上进行丰富的操作,之后Spark 会根据操作调度集群资源进行计算。总结起来,RDD 的操作主要可以分为Transformation 和Action 两种。
①Transformatioi转换操作:返回一个新的RDD
·从现有数据集创建新数据集。
·所有Transformation函数都是Lazy,不会立即执行,需要Action函数触发。
②Action动作操作:返回值不是RDD(无返回值或返回其他的)
·在数据表上运行计算后向驱动程序返回一个值。
·所有Action函数立即执行(Eager),比如count、first、collect、take等。
RDD中函数细节:
①RDD不实际存储真正要计算的数据,而是记录了数据的位置在哪里,数据的转换关系(调用了什么方法,传入什么函数);
②RDD中所有的转换都是惰性求值/延迟执行的,也就是说并不会直接计算。只有发送一个要求返回结果给Driver的Action动作时,这些转换才会真正运行。之所以使用惰性求值/延迟执行,是因为这样可以在Action时对RDD操作形成DAG有向无环图进行Stage的划分和并行优化,这种设计让Spark更加有效率地运行。