Spark计算模型RDD（1）——RDD概述及原理

RDD是什么？

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，它代表一个不可变、可分区、里面的元素可并行计算的集合。
RDD具有数据流模型的特点：自动容错、位置感知性调度和可伸缩性。RDD允许用户在执行多个查询时显式地将数据缓存在内存中，后续的查询能够重用这些数据，这极大地提升了查询速度。
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。

RDD解决什么问题？

解决迭代计算

传统的MapReduce虽然具有自动容错、平衡负载和可拓展性的优点，但是其最大缺点是采用非循环式的数据流模型，使得在迭代计算中要进行大量的磁盘IO操作。RDD正是解决这一缺点的抽象方法。

是Spark Core的底层核心

RDD是Spark提供的最重要的抽象的概念，它是一种具有容错机制的特殊集合，可以分布在集群的节点上，以函数式编程来操作集合，进行各种并行操作。可以把RDD的结果数据进行缓存，方便进行多次重用，避免重复计算。

RDD五大属性

1） A list of partitions
一个分区（Partition）列表，数据集的基本组成单位。
对于RDD来说，每个分区都会被一个计算任务处理，并决定并行计算的粒度。用户可以在创建RDD时指定RDD的分区个数，如果没有指定，那么就会采用默认值。（比如：读取HDFS上数据文件产生的RDD分区数跟block的个数相等。如果一个文件只有一个block块，RDD的分区数默认为2）。

2）A function for computing each split
一个计算每个分区的函数。
Spark中RDD的计算是以分区为单位的，每个RDD都会实现compute计算函数以达到这个目的。

3）A list of dependencies on other RDDs
一个RDD会依赖于其他多个RDD，RDD之间有依赖关系。
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。因此RDD有容错机制。

4）Optionally, a Partitioner for key-value RDDs (e.g. to say that the RDD is hash-partitioned)
一个Partitioner，即RDD的分区函数（可选项）。
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key-value的RDD，才会有Partitioner（必须要产生shuffle），非key-value的RDD的Parititioner的值是None。

5）Optionally, a list of preferred locations to compute each split on (e.g. block locations for an HDFS file)
一个列表，存储每个Partition的优先位置(可选项)，数据的本地性和数据位置最优。
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，会尽可能地将计算任务分配到其所要处理数据块的存储位置（spark进行任务分配的时候尽可能选择那些存有数据的worker节点来进行任务计算，以减少网络传输）。

创建RDD的方式

由一个已经存在的Scala集合创建。

val rdd1 = sc.parallelize(Array(1,2,3,4,5,6,7,8))

由外部存储系统的文件创建。

包括本地的文件系统，还有所有Hadoop支持的数据集，比如HDFS、Cassandra、HBase等。

val rdd2 = sc.textFile("/words.txt")

已有的RDD经过算子转换生成新的RDD

val rdd3=rdd2.flatMap(_.split(" "))