第一章 RDD 概念
对于大量的数据,Spark 在内部保存计算的时候,都是用一种叫做弹性分布式数据集(Resilient Distributed Datasets,RDD)的数据结构来保存的,所有的运算以及操作都建立在 RDD 数据结构的基础之上。
在Spark开山之作Resilient Distributed Datasets: A Fault-Tolerant Abstraction for In-Memory Cluster Computing这篇paper中(以下简称 RDD Paper),Matei等人提出了RDD这种数据结构,文中开头对RDD的定义是:
也就是说RDD设计的核心点为:
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API(map/reduec/filter/groupBy等等)。
1.1 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、里面的元素可并行计算的集合。
A Resilient Distributed Dataset (RDD), the basic abstraction in Spark. Represents an immutable,partitioned collection of elements that can be operated on in parallel.
拆分核心要点三个方面:
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弹性分布式数据集核心点示意图如下:
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。
1.2 RDD 特性
RDD 数据结构内部有五个特性(摘录RDD 源码):
前三个特征每个RDD都具备的,后两个特征可选的。
第一个:A list of partitions
- 一组分片(Partition)/一个分区(Partition)列表,即数据集的基本组成单位;
- 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;
- 用户可以在创建RDD时指定RDD的分片个数,如果没有指定,那么就会采用默认值;
第二个:A function for computing each split
- 一个函数会被作用在每一个分区;
- Spark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;
第三个:A list of dependencies on other RDDs
- 一个RDD会依赖于其他多个RDD;
- RDD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);
第四个:Optionally, a Partitioner for key-value RDDs (e.g. to say that the RDD is hash-partitioned)
- 可选项,对于KeyValue类型的RDD会有一个Partitioner,即RDD的分区函数;
- 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,只有对于于key-value的RDD,才会有Partitioner,非key-value的RDD的Parititioner的值是None。
- Partitioner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。
第五个:Optionally, a list of preferred locations to compute each split on (e.g. block locations for an HDFS file)
- 可选项,一个列表,存储存取每个Partition的优先位置(preferred location);
- 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。
- 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,还表示了这个数据集从哪来、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。