RDD就是一个不可变的带分区的记录集合,Spark提供了RDD上的两类操作,转换(transformation)和动作(action)。
- 转换是用来定义一个新的RDD,包括map, flatMap, filter, union, sample, join, groupByKey, cogroup, ReduceByKey, cros, sortByKey, mapValues等。
- 动作是返回一个结果,包括collect, reduce, count, save, lookupKey。
1. 宽窄依赖
- 依赖关系本质上刻画了一种数据流向;
- 窄依赖:一父对一子,更严谨地说,最多有一个孩子;
- 宽依赖:一父对多子;
- 也即父节点对应的分区(partition)会划分为多份(需要 shuffle),分别由子节点进行处理;
- 这时需要进行 shuffle,也即会依据Record的key进行数据重组,这个过程即为Shuffle(洗牌)