spark-day02-核心编程-RDD

一：概念介绍

spark是最基本的数据处理模型，最小的计算单元，易于后续的扩展。

二：IO基本实现原理

        字节流：

        字符流：

三：RDD和IO之间的关系 

        RDD数据只有在调用collect方法时，才会执行真正的业务逻辑操作。之前的封装全部都是功能的扩展。RDD是不保存数据的，但是IO可以临时保存一部分数据。

 四：spark特点

RDD通过不同的分区进行分配给不同的Task

 弹性：

        存储的弹性：内存和磁盘的自动切换

        容错的弹性：数据丢失可以自动恢复

        计算的弹性：计算出错重试机制

        分片弹性：可根据需要重新分片

分布式：数据存储在大数据集群不同节点上

数据集：RDD封装了计算逻辑，并不保存数据

数据抽象：RDD是一个抽象类，需要子类具体实现

不可变：RDD封装了计算逻辑，是不可以改变的，想要改变，只能产生新的RDD，在新的RDD里面封装计算逻辑

可分区、并行计算。

五：五大主要配置

        1：分区列表：RDD数据结构中存在分区列表，用于执行任务时并行计算，是实现分布式计算的重要属性。

        2：分区计算函数。每个分区会有计算（计算逻辑是相同的，数据不一致）

        3：RDD之间的依赖关系。RDD是计算模型的封装，当需求中需要将多个计算模型进行组合时，就需要将多个RDD建立依赖关系。

         4：分区器（当数据为KV类型数据时，可以通过设定分区器自定义数据的分区），就是将RDD读取完数据之后，如何将指定的数据放到指定分区的规则。

        5：首选位置。计算数据时，可以根据计算节点的状态选择不同的节点位置进行计算。判断Task发送给哪个Exectuor，效率最优。

六：RDD创建

        1：内存创建，两种方法，parallelize和makerdd，makerdd底层仍然调用parallelize方法

        2：文件创建

        3：文件创建，能够显示数据结果来自于哪些文件

 七：RDD的并行度和分区

        分区和并行度是不一致的，主要是看分区之后，TASK和EXECUTOR的个数关系

         1：内存分区，分区数的设置以及相关数据的分配

         2：文件分区，分区数的设置以及相关数据的分配