Spark之RDD简介

RDD

org.apache.spark.rdd
Class RDD<T>
Object
org.apache.spark.rdd.RDD<T>
All Implemented Interfaces:
java.io.Serializable, Logging
Direct Known Subclasses:
BaseRRDD, CoGroupedRDD, EdgeRDD, HadoopRDD, JdbcRDD, NewHadoopRDD, PartitionPruningRDD, ShuffledRDD, UnionRDD, VertexRDD

public abstract class RDD<T>
extends Object
implements scala.Serializable, Logging

简介：A Resilient Distributed Dataset (RDD) 弹性分布式数据集，是Spark中最基本的抽象类。
它代表一个不可变、可分区、里面的元素可并行计算的集合，这个类包含了所有可用的RDDS的基本操作，如map，filter和persist。

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，极大地提升了查询速度。

在内部，每个RDD的特点是五个主要属性：

1. 分区列表（A list of partitions） 分区即数据集的基本组成单位。对于RDD来说，每个分区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的分区个数，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. 用于计算每个分区的函数（A function for computing each split），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. 依赖于其他RDD的列表（A list of dependencies on other RDDs），也就是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（a Partitioner for key-value RDDs），即RDD的分区函数（a Partitioner for key-value RDDs）。当前Spark中实现了两种类型的分区函数，一个是基于哈希的HashPartitioner，另外一个是基于范围的RangePartitioner。只有对于key-value的RDD，才会有Partitioner，非key-value的RDD的Parititioner的值是None。Partitioner函数不但决定了RDD本身的分区数量，也决定了parent RDD Shuffle输出时的分区数量。
5. 首选位置列表（a list of preferred locations to compute each split on），存储存取每个Partition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，会尽可能地将计算任务分配到其所要处理数据块的存储位置。