【Spark的那些事儿】论RDD算子的重要性

Spark的那些事中前后文章关联比较紧密，没有阅读第一篇的可以关注公众号查找Spark的那些事RDD篇。

上一篇已经介绍完RDD结构。虽然RDD结构是spark设计思想最重要的组成，但是没有辅助的功能只有结构并不能独立使用。真正使RDD完成计算优化的，就是今天我们要讲到的spark RDD的另一个重要组成部分RDD算子。

• RDD算子的定义

• RDD算子在spark中的实现

• RDD算子的分类

• RDD算子的使用

  
  

RDD算子的定义

用来生成或处理RDD的方法叫做RDD算子。RDD算子就是一些方法，用来构建RDD及数据之间的关系。算子可以把数据转换成RDD，也可以由RDD产生新RDD，或者将RDD持久化到磁盘或内存。

从技术角度讲RDD算子可能比较枯燥，我们举个生活学习中的例子来类比RDD算子的作用。

完成计算需要什么呢？

需要数据载体和运算方式。数据载体可以是数字，数组，集合，分区，矩阵等。一个普通的计算器，它的运算单位是数字，而运算符号是加减乘除，这样就可以得到结果并输出了。一个矩阵通过加减乘除也可以得到结果，但是结果跟计算器的加减乘除一样吗？非也！

                           

矩阵相乘的运算法则：

AB的行数 = A的行数；AB的列数 = B的列数。

A与B的先后次序不能改变。

假设A是m行，B是n列。

AB的结果是一个m*n 大小的矩阵。

所以说加减乘除在不同的计算框架作用是不同的，而加减乘除这样的符号就是运算方式。在spark计算框架有自己的运算单位（RDD）和自己的运算符（RDD算子）。

可以理解为：RDD（或数据）算子 RDD 算子 = RDD（或数据）

 

是不是很抽象？下面来点具体的。

 

RDD算子在spark中的实现

Action算子的作用很单一，主要是整合数据，比如collect()返回RDD所有元素，count()返回RDD中元素的个数，当然其主要的作用是执行了runjob方法提交了作业。

下面我们主要分析一下Transformation RDD算子的源码结构：

 上图划分为4个大块，我们从上到下顺序说起：

1. 上一篇中RDD结构中有一个属性是Dependency，生成一个新的RDD必须为Dependency赋值。它被两个类继承，NarrowDependency（窄依赖）和ShuffleDependency（宽依赖）。窄依赖又分onetoonedependency和rangedependency，这是窄依赖提供的2种抽样方式1对1数据抽样和平衡数据抽样，返回值是一个partitonid的list集合。在第一层中只描述了RDD之间的依赖关系并没有计算逻辑，也就是在算子生成新RDD时，与父RDD的依赖关系在这一层定义。

2. 第二层，是提供RDD底层计算的基本算法，继承了RDD，并实现了dependency的一种或多种依赖关系的计算逻辑。

3. 最下层，利用第二层的基本算法，实现RDD所有的Transfromation算子。提供给用户spark API。

4. 右边的泛型，是scala的一种类型，可以理解为类的泛型，泛指编译时被抽象的类型。Spark利用scala的这一特性把依赖关系抽象成一种泛型结构，并不需要真实的数据类型参与编译过程。编译的结构类由序列化和反序列化到集群的计算节点取数并计算。

我们用RDD.map()算子的实现来举例：

当我们使用RDD.map算子创建新的RDD，map首先创建一个MapPartitionsRDD，而MapPartitionsRDD类继承RDD类，并为dependency赋值为OneToOneDependency的依赖关系。这样2个RDD的关系就建立完成了。

 

以上4点是不是很难理？spark为什么不提供第二层给用户开放API？

假设RDD是基本变量x，y，上图的第二部分是加减乘除，第三部分是由加减乘除构成的公式。如：

x²+y²+2xy=(x+y)²

图第一部分相当于定义了加减乘除。

图第二部分实现了x+y，x-y，x*y，x/y的运算

图第三部分实现了x²+y²+2xy

结果被第四部抽象成公式，在计算中优化为(x+y)²

这样本来需要运算5次的公式x²+y²+2xy，被优化成2次计算(x+y)²

所以spark API只开放了第三部分，也就是公式，作为一个使用者，我们不需要关心x²+y²+2xy=(x+y)²是什么原理，我们只需要调用x²+y²+2xy，这个优秀的计算框架会帮助你。

注：这个举例只是为了方便大家理解spark框架的设计思想，实际spark的算子抽象并不是加减乘除和公式的抽象。

 

RDD算子的分类

算子从否触发job的角度划分，可以分为Transformation算子和Action算子，Transformation算子不会产生job，是惰性算子，只记录该算子产生的RDD及父RDD partiton之间的关系，而Action算子将触发job，完成依赖关系的所有计算操作。

那么如果一个程序里有多个action算子怎么办？为什么有的算子返回的不是RDD类型？

当有多个action时，顺序完成action操作，每个action算子产生一个job，上一job的结果转换成RDD，继续给后续的action使用。

多数action返回结果都不是RDD，而transformation算子的返回结果都是RDD,但可能是多个RDD（如：randomSplit，将一个RDD切分成多个RDD）。注：下文讲到哪些属于action算子，它们的返回结果不一定是RDD，需要转换成RDD才能继续使用。

下面给出一些算子的使用供大家理解：

 

操作类型	函数名	作用
转化操作	map()	参数是函数，函数应用于RDD每一个元素，返回值是新的RDD
	flatMap()	参数是函数，函数应用于RDD每一个元素，将元素数据进行拆分，变成迭代器，返回值是新的RDD
	filter()	参数是函数，函数会过滤掉不符合条件的元素，返回值是新的RDD
	distinct()	没有参数，将RDD里的元素进行去重操作
	union()	参数是RDD，生成包含两个RDD所有元素的新RDD
	intersection()	参数是RDD，求出两个RDD的共同元素
	subtract()	参数是RDD，将原RDD里和参数RDD里相同的元素去掉
	cartesian()	参数是RDD，求两个RDD的笛卡儿积
行动操作	collect()	返回RDD所有元素
	count()	RDD里元素个数
	countByValue()	各元素在RDD中出现次数
	reduce()	并行整合所有RDD数据，例如求和操作
	fold(0)(func)	和reduce功能一样，不过fold带有初始值
	aggregate(0)(seqOp,combop)	和reduce功能一样，但是返回的RDD数据类型和原RDD不一样
	foreach(func)	对RDD每个元素都是使用特定函数

 

转化算子：这类转换并不触发提交作业，完成作业中间过程处理。Transformation按照数据类型又分为两种，value数据类型算子和key-value数据类型算子。

1） Value数据类型的Transformation算子

map，flatMap，mapPartitions，glom，union，cartesian，groupBy，filter，distinct，subtract，sample，takeSample

2）Key-Value数据类型的Transfromation算子

mapValues，combineByKey，reduceByKey，partitionBy，cogroup，join，leftOuterJoin和rightOuterJoin

行动算子： 这类算子会触发SparkContext提交Job作业。Action算子是用来整合和输出数据的，主要包括以下几种：

foreach，HDFS，saveAsTextFile，saveAsObjectFile， collect，collectAsMap，reduceByKeyLocally，lookup，count，top，reduce，fold，aggregate

存储算子：改变当前RDD的存储策略（下文有详解）。如：persist，cache 和checkpoint 。

 

注：上述举例算子只是一部分，随着spark的更新也会不断有新的算子加入其中。

RDD算子的使用

Spark算子非常丰富，有几十个，开发者把算子组合使用，从一个基础的RDD计算出想要的结果。并且算子是优化Spark计算框架的主要依据。

我们以top算子举例，rdd.top（n）获取RDD的前n个排序后的结果。

例如计算：（文件a）的2倍与（文件b）的TOP 3的结果。

1. 窄依赖优化：如图中的RDD1,RDD2,RDD3在Stage3中被优化为RDD1到RDD3直接计算。是否可以直接计算是由算子的宽窄依赖决定，推荐使用数据流向区分宽窄依赖： partiton流向子RDD的多个partiton属于宽依赖，父RDD的partiton流向子RDD一个partiton或多个partiton流向一个子RDD的partiton属于窄依赖。上图中的RDD3和RDD4做top（3）操作，top是先排序后取出前3个值，排序过程属于宽依赖，spark计算过程是逆向的DAG（DAG和拓扑排序下一篇介绍），RDD5不能直接计算，必须等待依赖的RDD完成计算，我把这种算子叫做不可优化算子（计算流程不可优化，必须等待父RDD的完成），Action算子（后文讲解）都是不可优化算子，Transformation算子也有很多不可优化的算子（宽依赖算子），如：groupbykey，reducebykey，cogroup，join等。

2. 数据量优化：上图中的a文件数据乘2，为什么前面有一个filter，假设filter过滤后的数据减少到三分之一，那么对后续RDD和shuffle的操作优化可想而知。而这只是提供一个思路，并不是所有的过滤都是高效的。

3. 利用存储算子优化Lineage：RDD算子中除了save（输出结果）算子之外，还有几个比较特别的算子，用来保存中间结果的，如：persist，cache 和checkpoint ，当RDD的数据保持不变并被复用多次的时候可以用它们临时保存计算结果。

1）. cache和persist

修改当前RDD的存储方案StorageLevel，默认状态下与persist级别是一样的MEMORY_ONLY级别，保存到内存，内存不足选择磁盘。

def persist(): this.type = persist(StorageLevel.MEMORY_ONLY)
def cache(): this.type = persist()

这2个方法都不会触发任务，只是修改了RDD的存储方案，当RDD被执行的时候按照方案存储到相应位置。而checkpoint会单独执行一个job，并把数据写入磁盘。

注：不要把RDD cache和Dataframe cache混淆。Dataframe cache将在spark sql中介绍。

2）.checkpoint

检查RDD是否被物化或计算，一般在程序运行比较长或者计算量大的情况下，需要进行Checkpoint。这样可以避免在运行中出现异常导致RDD回溯代价过大的问题。Checkpoint会把数据写在本地磁盘上。Checkpoint的数据可以被同一session的多个job共用。

 

本期RDD算子讲解结束，与第一篇RDD有很多互补的地方，除了源码解读也包括了从个人的角度理解spark，当然每个人的角度不同，对spark计算框架的理解也不一样，若有表达歧义或错漏还请谅解，此理论仅为引导，您的实践才是检验真理的唯一标准。后续我们会继续聊一聊spark的其他事儿，还请关注，后会有期！