【Spark】架构原理RDD使用详解

一、Spark 架构原理

SparkContext 主导应用执行

Cluster Manager 节点管理器

把算子RDD发送给 Worker Node

Cache : Worker Node 之间共享信息、通信

Executor 虚拟机 容器启动 接任务 Task(core数 一次处理一个RDD分区)

1.1　Spark架构核心组件

1.2　各部分功能图

• Driver 注册了一些 Executor后，就可以开始正式执行 spark 应用程序了。第一步是创建 RDD,读取数据源;
• HDFS 文件被读取到多个 Worker节点，形成内存中的分布式数据集，也就是初始RDD;
• Driver会根据程序对RDD的定义的操作，提交 Task 到 Executor;
• Task会对RDD的partition数据执行指定的算子操作，形成新的RDD的partition;

二、RDD概述

2.1　什么是RDD？

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工作集缓存在内存中，后续的查询能够重用工作集，这极大地提升了查询速度。

2.2　RDD具体包含了一些什么东西？

RDD是一个类，它包含了数据应该在哪算，具体该怎么算，算完了放在哪个地方。它是能被序列化，也能被反序列化。在开发的时候，RDD给人的感觉就是一个只读的数据。但是不是，RDD存储的不是数据，而是数据的位置，数据的类型，获取数据的方法，分区的方法等等。

2.3　RDD的五大特性

（1）一组分片（Partition），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，并决定并行计算的粒度。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。默认值就是程序所分配到的CPU Core的数目。

（2）一个计算每个分区的函数。Spark中RDD的计算是以分片为单位的，每个RDD都会实现compute函数以达到这个目的。compute函数会对迭代器进行复合，不需要保存每次计算的结果。

（3）RDD之间的依赖关系。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。

（4）一个Partitioner，即RDD的分片函数。当前Spark中实现了两种类型的分片函数，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。

（5）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，会尽可能地将计算任务分配到其所要处理数据块的存储位置。

2.4　RDD可以从哪来

1. 通过序列化集合的方式
   
2. 通过读取文件的方式

scala> sc.textFile("hdfs://wc/e.txt")
res0: org.apache.spark.rdd.RDD[String] = hdfs://wc/e.txt MapPartitionsRDD[1] at textFile at <console>:25

scala> val rdd = sc.textFile("hdfs://192.168.56.137:9000/wc/e.txt")
rdd: org.apache.spark.rdd.RDD[String] = h