在mapreduce框架执行时,会将中间结果写入到稳定存储(磁盘)中,会造成大量的数据复制、磁盘io、序列化开销。RDD提供一个抽象的数据构架,需要将具体的应用逻辑表达为一系列转换处理。
不同的RDD之间的转换形成依赖关系,可以实现管道化,避免中间数据存储。
一、什么是RDD
分布式对象集合,本质上是一个只读的分区记录集合,每个RDD可以分成多个分区,每个分区就是一个数据集片段,并且一个RDD的不同分区可以被保存到集群中不同的节点上,可以在不同节点上进行并行计算。
二、RDD高度受限的共享内模型
只读的记录分区集合,不能直接修改,只能基于稳定的物理存储中的数据集创建RDD,或者通过其他RDD执行确定转换的操作形成新的RDD.
三、数据运算
action(动作)、transformation(转换)
四、优缺点
1、高效的容错性
2、中间结果持久化到内存,数据在内存中的多个RDD操作之间进行传递,避免不必要的读写磁盘开销
3、存放的数据可以是Java对象,避免不必要对象序列化和反序列化。
五、shuffle
是否包含shuffle操作区分窄依赖和宽依赖的根据
1、窄依赖表现为一个父RDD的分区对应于一个子RDD的分区或多个父RDD的分区对应于一个子RDD的分区
2、宽依赖则表现为存在一个父RDD的一个分区对应一个子RDD的多个分区
窄依赖可以实现“流水线”优化
宽依赖包含Shuffle过程,无法实现“流水线”优化:
每个RDD 操作都是一个fork/join(一种用于并行执行任务的框架),把计算fork 到每个RDD 分区,完成计算后对各个分区得到的结果进行join 操作,然后fork/join下一个RDD 操作