RDD概述:
RDD(Resilient DistributedDataset)叫做分布式数据集
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
RDD的属性:
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,另一个是基于范围的RangePartitioner.只有对于key-value的RDD,才会有Partitioner,非key-value的RDD的Partitioner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Partitioner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Partitioner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