谈谈你对spark core的理解:
rdd (Resilient Distributed Dataset) 弹性分布式数据集,是spark的基石,是实现spark数据处理的核心抽象,代表一个不可变,可分区,里面的元素可并行计算的集合。
rdd五大特点:
分区:都是逻辑上的分区,是抽象的存在
只读:要想改变RDD的数据,只能创建新的RDD
依赖:指RDD之间的血缘关系,又分为宽依赖和窄依赖
缓存:RDD可以缓存起来,供多个应用程序使用
检测点(CheckPoint)
rdd五大特性:
分片:RDD数据集的基本组成单位
一个计算每个分区的函数
RDD之间的依赖关系
一个Partitioner(RDD的分片函数)
一个列表,存储存取每个Partition的优先位置
rdd弹性:
rdd自动进行内存和磁盘数据存储的切换叫做存储弹性,拥有基于血统的高效容错弹性
Transormation行动算子 :
映射 ( map filter ) ,重新分区 (partitionby,partitionbykey)
对元组计算 (***by),多个文件合并计算 (join),排序类型 (sortby,sortbykey)
Action执行算子:
collect(收集数据),saveAsTextFile(将数据写出到path),foreach(遍历数据集), take(取前n个数据),first(返回第一个元素)
RDD的宽依赖和窄依赖:
定义:由于RDD是粗粒度的操作数据集,每个Transformation操作都会生成一个新的RDD,
所以RDD之间就会形成类似流水线的前后依赖关系;RDD和它依赖的父RDD(s)的关系有
两种不同的类型,即窄依赖(narrow dependency)和宽依赖(wide dependency)
区别:
宽依赖:指的是多个子RDD的Partition会依赖同一个父RDD的Partition,
关系是一对多,父RDD的一个分区的数据去到子RDD的不同分区里面,会有shuffle的产生
窄依赖:指的是每一个父RDD的Partition最多被子RDD的一个partition使用,是一对一的,
也就是父RDD的一个分区去到了子RDD的一个分区中,这个过程没有shuffle产生