【SparkCore】 RDD介绍

• 介绍

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，代表一个不可变、可分区、里面的元素可并行计算的集合。

 

单词拆解

Resilient ：它是弹性的，RDD中的数据可以保存在内存中或者磁盘里面

Distributed ：它里面的元素是分布式存储的，可以用于分布式计算

Dataset: 它是一个集合，可以存放很多元素

 

 

• RDD的主要属性

A list of partitions ：

一组分片(Partition)/一个分区(Partition)列表，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，分片数决定并行度。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（2）。

 

A function for computing each split ：

一个函数会被作用在每一个分区。Spark中RDD的计算是以分区为单位的，compute函数会被作用到每个分区上

 

A list of dependencies on other RDDs：

一个RDD会依赖于其他多个RDD。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。(Spark的容错机制)

 

Optionally, a Partitioner for key-value RDDs (e.g. to say that the RDD is hash-partitioned)：

Spark中的分区函数，一个是基于哈希的HashPartitioner，另外一个是基于范围的RangePartitioner。对于KV类型的RDD会有一个Partitioner函数，即RDD的分区函数（可选项）只有对于key-value的RDD，才会有Partitioner，非key-value的RDD的Parititioner的值是None。Partitioner函数决定了RDD本身的分区数量，也决定了parent RDD Shuffle输出时的分区数量。

 

Optionally, a list of preferred locations to compute each split on (e.g. block locations for an HDFS file)：

一个列表，存储每个Partition的位置(preferred location)，对于一个HDFS文件来说，这个列表保存的就是每个Partition所在的块的位置。按照"移动数据不如移动计算"的理念，Spark在进行任务调度的时候，会尽可能选择那些存有数据的worker节点来进行任务计算。

 

总结：

RDD 是一个数据集，不仅表示了数据集，还表示了这个数据集从哪来，如何计算。主要属性包括

1.多分区

2.计算函数

3.依赖关系

4.分区函数(默认是hash)

5.最佳位置