22-31-spark-核心编程-RDD概念及理解

22-spark-核心编程-RDD概念：

分布式计算基础测试： big-data-study\Spark-demo\src\main\java\spark\core\com\zh\test02

Spark 核心编程

Spark 计算框架为了能够进行高并发和高吞吐的数据处理，封装了三大数据结构，用于处理不同的应用场景。三大数据结构分别是：

➢ RDD : 弹性分布式数据集

➢ 累加器：分布式共享只写变量

➢ 广播变量：分布式共享只读变量

java-io读写基本了解RDD

Spark-RDD和IO之间的关系（将最小单元通过组合形成一个）

什么是 RDD

RDD（Resilient Distributed Dataset）叫做弹性分布式数据集，是 Spark 中最基本的数据处理模型。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

➢ 弹性

​ 存储的弹性：内存与磁盘的自动切换；

​ 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（类似hadoop中的分区）。

➢ 分布式：数据存储在大数据集群不同节点上

➢数据集：RDD 封装了计算逻辑，并不保存数据

➢ 数据抽象：RDD 是一个抽象类，需要子类具体实现

➢ 不可变：RDD 封装了计算逻辑，是不可以改变的，想要改变，只能产生新的 RDD，在新的 RDD 里面封装计算逻辑

➢ 可分区、并行计算

核心五大属性

 * Internally, each RDD is characterized by five main properties:
 *
 *  - A list of partitions  分区列表：RDD 数据结构中存在分区列表，用于执行任务时并行计算，是实现分布式计算的重要属性。
 protected def getPartitions: Array[Partition]
 
 *  - A function for computing each split 分区计算函数：Spark 在计算时，是使用分区函数对每一个分区进行计算
  @DeveloperApi
  def compute(split: Partition, context: TaskContext): Iterator[T]
  
 *  - A list of dependencies on other RDDs  RDD 之间的依赖关系：RDD 是计算模型的封装，当需求中需要将多个计算模型进行组合时，就需要将多个 RDD 建立依赖关系
 protected def getDependencies: Seq[Dependency[_]] = deps
 
 *  - Optionally, a Partitioner for key-value RDDs (e.g. to say that the RDD is hash-partitioned) 分区器：当数据为 KV 类型数据时，可以通过设定分区器自定义数据的分区
 @transient val partitioner: Option[Partitioner] = None
 
 *  - Optionally, a list of preferred locations to compute each split on (e.g. block locations for
 *    an HDFS file)  首选位置：计算数据时，可以根据计算节点的状态选择不同的节点位置进行计算
 protected def getPreferredLocations(split: Partition): Seq[String] = Nil

执行原理

数据处理过程中需要计算资源（内存 & CPU）和计算模型（逻辑）。执行时，需要将计算资源和计算模型进行协调和整合。

Spark 框架在执行时，先申请资源，然后将应用程序的数据处理逻辑分解成一个一个的计算任务。然后将任务发到已经分配资源的计算节点上, 按照指定的计算模型进行数据计算。最后得到计算结果。

RDD 是 Spark 框架中用于数据处理的核心模型，接下来我们看看，在 Yarn 环境中，RDD的工作原理:

1. 启动 Yarn 集群环境

2、Spark 通过申请资源创建调度节点和计算节点

3、Spark 框架根据需求将计算逻辑根据分区划分成不同的任务

4. 调度节点将任务根据计算节点状态发送到对应的计算节点进行计算

学习路径：https://space.bilibili.com/302417610/，如有侵权，请联系q进行删除：3623472230