1、什么是RDD
RDD(Resilient Distributed Dataset)叫做弹性的分布式数据集合,是Spark中最基本的数据抽象,它代表一个不可变、只读的,被分区的数据集。
弹性的体现:RDD可以通过lineage(血统)进行恢复、数据持久化(内存、磁盘、序列化)。
分布式的体现:RDD是被分区的。不同的分区在不同的worker上。
对开发者而言,RDD可以看作是Spark的一个对象,它本身运行于内存中,如读文件是一个RDD,对文件计算是一个RDD,结果集也是一个RDD ,不同的分片、数据之间的依赖都可以看做RDD。
2、RDD的5大特性
1、一组分片(即partition),即数据集的基本组成单位
一个分片列表,就是能被切分,和Hadoop一样,能够切分的数据才能并行计算。对于RDD来说,每个分片都会被一个计算任务处理,能够切分的数据才能并行计算,切分成多少分片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。每个分片会被一个Task负责计算。
2、由一个函数计算每一个分片
Spark中的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。对一个分片进行计算,得出一个可遍历的结果。compute函数其实就父RDD分区数据同过传入的逻辑到子RDD分区数据的变换过程。
3、RDD之间的依赖关系列表
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。依赖分为宽依赖和窄依赖。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、RDD的的分区函数
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。还可以自定义分区器来实现控制分区数量。
5、每一分片的优先计算位置,比如HDFS的block的所在位置应该是优先计算的位置。
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。数据在本地上不用走网络,不过数据进行最后汇总的时候就要走网络。
3、如何创建RDD
1、通过本地集合创建RDD
// 创建集合
val arr: Array[Int] = Array(1, 2, 3, 4, 5)
// 基于集合创建RDD
//方式1
val rdd1: RDD[Int] = sc.parallelize(arr,1)
//方式2
val rdd2: RDD[Int] = sc.makeRDD(arr)
//makeRDD与parallelize功能类似 makeRDD的底层就是用的parallelize
//A)makeRDD函数比parallelize函数多提供了数据的位置信息。
//B)两者的返回值都是ParallelCollectionRDD,但parallelize函数可以自己指定分区的数量,而makeRDD函数固定为seq参数的size大小。
2、通过读取文件创建RDD
val sc = SparkSession.builder().appName("WordCount").master("local").getOrCreate().sparkContext
val text: RDD[String] = sc.textFile("D:\\TextFile\\subject_formula.txt")
3、通过RDD之间的转换创建RDD
val text: RDD[String] = sc.textFile("D:\\TextFile\\subject_formula.txt")
val value: RDD[(String, Int)] = text.map((_, 1))