Spark RDD的属性

Spark中的RDD的属性

说明：本片文章内容参考于微信公众号“大数据私房菜”里的内容，里面大量的与大数据有关的优质内容。在这里一是给大家分享，二是让自己巩固知识。

😀 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机任务处理，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，若干个没有指定，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。

😀 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。

😀 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。

😀 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。Partition二函数不但决定了RDD本身的分片数量，也决定了parent RDD Shuffle输出时的分片数量。

😀 一个列表，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“移到数据不如移动计算”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。

🛒🛒🛒🛒🛒🛒冲冲冲。。。