本文深入探讨了Spark中的关键组件RDD，包括其弹性、分布式和数据集的特性。RDD是弹性分布式数据集，当内存不足时，数据会自动在内存和磁盘之间切换。分布式特性体现在数据在多台机器上的存储，与Task的一一对应。数据集不仅包含数据，还记录了操作和血缘关系，实现容错性。RDD依赖关系分为窄依赖和宽依赖，shuffle操作可能导致数据倾斜。算子分为transformation和action，transformation是懒加载，action触发计算。RDD缓存提高效率，支持不同级别的缓存策略。下篇将介绍RDD的实际操作。
今天讲的是RDD。RDD是个相当抽象的概念，它是一个逻辑概念，并不是很好理解，但它确实整个spark里的一个非常核心的东西，甚至不夸张的讲，就通过RDD这个概念就能把spark整个底层机制给串起来。
RDD, 英文名：residenta distributed dataset， 弹性分布式数据集。下面，就是展示我语文功底的时候了。就分析这个词，就让你知道RDD的特性。
弹性 分布式 数据集
1.弹性 究竟多Q弹呢？正常情况下，数据是存放到内存里的，但是如果说内存放不下这么多数据时，这时候就会写到磁盘。RDD的这种自动进行内存和磁盘之间权衡和切换的机制，就是RDD的弹性的特点所在。对用户来说是透明的。
299
962
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
最低0.47元/天 解锁文章
扫一扫
