SparkCore解析1

1、RDD概述

RDD（Resilient Distributed Dataset）叫做分布式数据集，是Spark中最基本的数据抽象。代码中是一个抽象类，它代表一个不可变、可分区、里面的元素可并行计算的集合。

2、RDD属性、特点

RDD表示只读的分区的数据集，对RDD进行改动，只能通过RDD的转换操作，由一个RDD得到一个新的RDD，新的RDD包含了从其他RDD衍生所必需的信息。RDDs之间存在依赖，RDD的执行是按照血缘关系延时计算的。如果血缘关系较长，可以通过持久化RDD来切断血缘关系。

1）分区

2）只读

 RDD的操作算子包括两类，一类叫做transformations，它是用来将RDD进行转化，构建RDD的血缘关系；另一类叫做actions，它是用来触发RDD的计算，得到RDD的相关计算结果或者将RDD保存的文件系统中。

3）依赖

依赖包括两种，一种是窄依赖，RDDs之间分区是一一对应的，另一种是宽依赖（一个可以引出多个）

4）缓存

如果在应用程序中多次使用同一个RDD，可以将该RDD缓存起来

5）CheckPoint

有时需要通过非常长的血缘关系去重建，势必影响性能。为此，RDD支持checkpoint将数据保存到持久化的存储中，这样就可以切断之前的血缘关系，因为checkpoint后的RDD不需要知道它的父RDDs了，它可以从checkpoint处拿到数据。

3、RDD编程

在Spark中，只有遇到action，才会执行RDD的计算

RDD的创建：有三种

1）从集合中创建

Spark主要提供了两种函数：parallelize和makeRDD

使用parallelize()从集合创建，val rdd = sc.parallelize(Array(1,2,3,4,5,6,7,8))

使用makeRDD()从集合创建，val rdd1 = sc.makeRDD(Array(1,2,3,4,5,6,7,8))

2）从外部存储创建

包括本地的文件系统，还有所有Hadoop支持的数据集，比如HDFS、Cassandra、HBase等

val rdd2= sc.textFile("hdfs://hadoop102:9000/RELEASE")

3）从其他RDD创建

4、RDD的转换

RDD整体上分为Value类型和Key-Value类型

Value类型

1）map(func)案例

作用：返回一个新的RDD，该RDD由每一个输入元素经过func函数转换后组成

2)  mapPartitions(func) 案例

作用：类似于map，但独立地在RDD的每一个分片上运行，因此在类型为T的RDD上运行时，func的函数类型必须是Iterator[T] => Iterator[U]。假设有N个元素，有M个分区，那么map的函数的将被调用N次,而mapPartitions被调用M次,一个函数一次处理所有分区。

3）mapPartitionsWithIndex(func) 案例

作用：类似于mapPartitions，但func带有一个整数参数表示分片的索引值，因此在类型为T的RDD上运行时，func的函数类型必须是(Int, Interator[T]) => Iterator[U]；

4） flatMap(func) 案例

作用：类似于map，但是每一个输入元素可以被映射为0或多个输出元素（所以func应该返回一个序列，而不是单一元素）

5）glom案例

作用：将每一个分区形成一个数组，形成新的RDD类型时RDD[Array[T]]

6）groupBy(func)案例

作用：分组，按照传入函数的返回值进行分组。将相同的key对应的值放入一个迭代器。

7）filter(func) 案例

作用：过滤。返回一个新的RDD，该RDD由经过func函数计算后返回值为true的输入元素组成。

8） sample(withReplacement, fraction, seed) 案例

作用：以指定的随机种子随机抽样出数量为fraction的数据，withReplacement表示是抽出的数据是否放回，true为有放回的抽样，false为无放回的抽样，seed用于指定随机数生成器种子。

9)distinct([numTasks])) 案例

作用：对源RDD进行去重后返回一个新的RDD。默认情况下，只有8个并行任务来操作，但是可以传入一个可选的numTasks参数改变它。

10)coalesce(numPartitions) 案例

作用：缩减分区数，用于大数据集过滤后，提高小数据集的执行效率

11) repartition(numPartitions) 案例

作用：根据分区数，重新通过网络随机洗牌所有数据。

12)sortBy(func,[ascending], [numTasks]) 案例

 作用；使用func先对数据进行处理，按照处理后的数据比较结果排序，默认为正序。

13)pipe(command, [envVars]) 案例

作用：管道，针对每个分区，都执行一个shell脚本，返回输出的RDD。

双Value类型交互

1)union(otherDataset) 案例

作用：对源RDD和参数RDD求并集后返回一个新的RDD

2)subtract (otherDataset) 案例

作用：计算差的一种函数，去除两个RDD中相同的元素，不同的RDD将保留下来

3)intersection(otherDataset) 案例

作用：对源RDD和参数RDD求交集后返回一个新的RDD

4) cartesian(otherDataset) 案例

作用：笛卡尔积（尽量避免使用）

5)zip(otherDataset)案例

作用：将两个RDD组合成Key/Value形式的RDD,这里默认两个RDD的partition数量以及元素数量都相同，否则会抛出异常。

Key-Value类型

1)partitionBy案例

作用：对pairRDD进行分区操作，如果原有的partionRDD和现有的partionRDD是一致的话就不进行分区， 否则会生成ShuffleRDD，即会产生shuffle过程。

2)groupByKey案例

作用：groupByKey也是对每个key进行操作，但只生成一个sequence。

3）reduceByKey(func, [numTasks]) 案例

在一个(K,V)的RDD上调用，返回一个(K,V)的RDD，使用指定的reduce函数，将相同key的值聚合到一起，reduce任务的个数可以通过第二个可选的参数来设置。

4）aggregateByKey案例（大体思想是先做分区内计算，在做分区间计算）

作用：在kv对的RDD中，，按key将value进行分组合并，合并时，将每个value和初始值作为seq函数的参数，进行计算，返回的结果作为一个新的kv对，然后再将结果按照key进行合并，最后将每个分组的value传递给combine函数进行计算（先将前两个value进行计算，将返回结果和下一个value传给combine函数，以此类推），将key与计算结果作为一个新的kv对输出。

5) foldByKey案例

作用：aggregateByKey的简化操作，seqop和combop相同

6)combineByKey[C] 案例

作用：对相同K，把V合并成一个集合

先记录第一个V

注意：上面几个函数不好理解，需要时观看源代码各个参数含义。

7）sortByKey([ascending], [numTasks]) 案例

作用：在一个(K,V)的RDD上调用，K必须实现Ordered接口，返回一个按照key进行排序的(K,V)的RDD

8）mapValues案例

针对于(K,V)形式的类型只对V进行操作

9）join(otherDataset, [numTasks]) 案例

作用：在类型为(K,V)和(K,W)的RDD上调用，返回一个相同key对应的所有元素对在一起的(K,(V,W))的RDD

10）cogroup(otherDataset, [numTasks])

作用：在类型为(K,V)和(K,W)的RDD上调用，返回一个(K,(Iterable<V>,Iterable<W>))类型的RDD

5、Action

 1)reduce(func)案例

作用：通过func函数聚集RDD中的所有元素，先聚合分区内数据，再聚合分区间数据。

2)collect()案例

作用：在驱动程序中，以数组的形式返回数据集的所有元素。

3) count()案例

作用：返回RDD中元素的个数

4)first()案例

作用：返回RDD中的第一个元素

5)take(n)案例

作用：返回一个由RDD的前n个元素组成的数组

6) takeOrdered(n)案例

作用：返回该RDD排序后的前n个元素组成的数组

7)aggregate案例

作用：aggregate函数将每个分区里面的元素通过seqOp和初始值进行聚合，然后用combine函数将每个分区的结果和初始值(zeroValue)进行combine操作。这个函数最终返回的类型不需要和RDD中元素类型一致。

8)fold(num)(func)案例

作用：折叠操作，aggregate的简化操作，seqop和combop一样。

9) saveAsTextFile(path)

将数据集的元素以textfile的形式保存到HDFS文件系统或者其他支持的文件系统，对于每个元素，Spark将会调用toString方法，将它装换为文件中的文本

10)saveAsSequenceFile(path) 

作用：将数据集中的元素以Hadoop sequencefile的格式保存到指定的目录下，可以使HDFS或者其他Hadoop支持的文件系统。

11) saveAsObjectFile(path) 

作用：用于将RDD中的元素序列化成对象，存储到文件中。

12)countByKey()案例

作用：针对(K,V)类型的RDD，返回一个(K,Int)的map，表示每一个key对应的元素个数。

13)foreach(func)案例

作用：在数据集的每一个元素上，运行函数func进行更新。

6、函数依赖

初始化工作是在Driver端进行的，而实际运行程序是在Executor端进行的，这就涉及到了跨进程通信，是需要序列化的。

7、RDD依赖关系

1 Lineage

RDD的Lineage会记录RDD的元数据信息和转换行为，当该RDD的部分分区数据丢失时，它可以根据这些信息来重新运算和恢复丢失的数据分区。

注意：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）。

窄依赖

窄依赖指的是每一个父RDD的Partition最多被子RDD的一个Partition使用,窄依赖我们形象的比喻为独生子女

宽依赖

宽依赖指的是多个子RDD的Partition会依赖同一个父RDD的Partition，会引起shuffle,总结：宽依赖我们形象的比喻为超生

宽依赖是划分Stage的依据。(有Shuffle的存在)