说明:本文参考郭景瞻的《图解Spark:核心技术与案例实战》
一、背景
1、原因
计算机普遍应用和移动互联网的发展导致了数据量爆发式增长,单台机器处理能力和I/O性能远远满足不了这种增长,越来越多的企业不得不把计算和存储扩展到集群中去。但是在集群中又出现了以下的三个问题:
(1)并行化处理:以前的应用程序需要以并行化的方式重写,并且这种编程模型能够处理范围广泛的计算。
(2)集群的容错:大规模的情况下节点故障和慢节点将成为常态,这种情况可能及大地影响应用程序的性能。
(3)多用户共享:在集群运行中需要动态的扩展和缩减计算资源,如CPU、内存和磁盘等。
2、解决方案
针对上述问题,不同的企业和研究机构设计了不同的编程模型。如Google公司提出的MapReduce模型,这是一种简单通用而且能够自动处理故障的批处理计算模型。随着技术的发展,出现了Storm流处理系统,Impala交互式SQL查询系统等等。在这些模型中都需要高效的数据共享,如迭代算法都需要进行多次访问相同的数据集;交互数据挖掘需要对同一数据子集进行多个特定的查询;流式应用则需要随时间对状态进行维护和共享。但是不幸的是,尽管这些框架支持大量的计算操作运算,但是它们缺乏针对数据共享的高效元语。而在这些系统中,实现计算之间数据共享只有一个办法:把数据写到外部存储系统,如分布式文件系统HDFS。这势必引起数据备份、磁盘I/O以及序列化等开销,从而占据了大部分的执行时间。
3、Spark的弹性分布式数据集RDD
Spark设计了统一的编程抽象——弹性分布式数据集RDD(Resilient Distributed Dataset),这种模型可以令用户直接控制数据的共享,使得用户可以指定数据存储到硬盘还是内存,以及控制数据的分区方法和在数据集上进行操作。
Spark的优势在于:
(1)一站式解决方案:在相同的运行环境下,支持迭代、批处理、交互式和流处理。
(2)以很小的代价在该计算模型提供节点故障和慢节点容错处理能力。
(3)内存计算,比MapReduce的性能要高100倍。
(4)适合多用户管理,允许应用程序弹性地扩展和缩减计算资源。
二、RDD简介
RDD是Spark提供的核心抽象,全称为Resillient Distributed Dataset,即弹性分布式数据集。
(1)分布式数据集:RDD在抽象上来说是一种元素集合,包含了数据。它是被分区的,分为多个分区,每个分区分布在集群中的不同节点上,从而让RDD中的数据可以被并行操作。
(2)弹性:RDD的数据默认是存放在内存中的,但是在内存资源不足时,Spark会自动将RDD数据写入磁盘。
(3)容错性:可以自动从节点失败中恢复过来。即如果某个节点上的RDD分区因为节点故障,导致数据丢了,那么RDD会自动通过自己的数据来源重新计算该分区,这一切对于使用者来说是透明的。
三、RDD操作
1、创建操作
用于RDD的创建,RDD创建只有两种方法:一是来自于内存集合和外部存储系统;二是通过“转换操作”生成的RDD。
2、转换操作
将RDD通过一定的操作变换成新的RDD,RDD的转换操作时惰性操作,它只是定义了一个新的RDD,并没有立即执行。
3、控制操作
进行RDD持久化,可以让RDD按不同的存储策略保存在磁盘或者内存中。
4、行为操作
触发Spark运行的操作。其分为两类:一类的操作结果变成Scala集合或者变量;一类将RDD保存到外部文件系统或者数据库中。