一、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。
代码中是一个抽象类,它代表一个弹性的、不可变、可分区、里面的元素可并行计算的集合。
1.弹性:
存储的弹性:内存与磁盘自动切换
容错的弹性:数据丢失可以自动恢复
计算的弹性:计算出错重试机制
分片的弹性:可根据需要重新分片
2.分布式
数据存储在大数据集群不同节点上
3.数据集不存储数据
RDD封装了计算逻辑,并不保存数据集
4.数据抽象
RDD是个抽象类,需要子类具体实现
5.不可变
RDD封装了计算逻辑,是不可改变的,想要改变只能产生新的RDD,在新的RDD里封装计算逻辑
6.可分区,并行运算
注:所有RDD算子相关操作都在Executor端执行,RDD算子之外的操作都在Driver端执行。
在Spark中,只有遇到action等行动算子,才会执行RDD的运算,即延迟计算
二、RDD的五大特性
1)A list of partitions
RDD由很多partition构成,在spark中,计算式,有多少partition就对应有多少个task来执行
2)A function for computing each split
对RDD做计算,相当于对RDD的每个split或partition做计算
3)A list of dependencies on other RDDs
RDD之间有依赖关系,可溯源
4)Optionally, a Partitioner for key-value RDDs (e.g. to say that the RDD is hash-partitioned)
如果RDD里面存的数据是key-value形式,则可以传递一个自定义的Partitioner进行重新分区,比如可以按key的hash值分区
5)Optionally, a list of preferred locations to compute each split on (e.g. block locations for an HDFS file)
最优的位置去计算,也就是数据的本地性
计算每个split时,在split所在机器的本地上运行task是最好的,避免了数据的移动;split有多个副本,所以preferred location不止一个
数据在哪里,应优先把作业调度到数据所在机器上,减少数据的IO和网络传输,这样才能更好地减少作业运行时间(木桶原理:作业运行时间取决于运行最慢的task所需的时间),提高性能
特性介绍转载自(https://www.jianshu.com/p/650d6e33914b)