转自jechedo
官方介绍
弹性分布式数据集。 RDD是只读的、分区记录的集合。RDD只能基于在稳定物理存储中的数据集和其他已有的RDD上执行确定性操作来创建。
问题
只要你敢问度娘RDD是什么,包你看到一大片一模一样的答案,都是说这样的概念性的东西,没有任何的价值。
我只想知道 RDD为什么是弹性 而不是 不弹性, RDD到底是怎么存数据,在执行任务的过程中是咋哪个阶段读取数据。
什么是弹性
我的理解如下(若有误或不足,烦请指出更正):
1. RDD可以在内存和磁盘之间手动或自动切换
2. RDD可以通过转换成其他的RDD,即血统
3. RDD可以存储任意类型的数据
存储的内容是什么
根据编写Spark任务的代码来看,很直观的感觉是RDD就是一个只读的数据,例如 rdd.foreach(println)
但是不是, RDD其实不存储真是的数据,只存储数据的获取的方法,以及分区的方法,还有就是数据的类型。
百闻不如一见, 下面看看RDD的源码:
1
2
3
4
5
|
//其他的代码删除了,主要保留了它的两个抽象方法<br>abstract class RDD[T: ClassTag](
@ transient private var _ sc : SparkContext,
@ transient private var deps : Seq[Dependency[ _ ]]
) extends Serializable with Logging {
< br > //计算某个分区数据的方法 ,将某个分区的数据读成一个 Iterator<br> def compute(split: Partition, context: TaskContext): Iterator[T]
|
1
2
3
4
|
//计算分区信息 只会被调用一次
protected def getPartitions : Array[Partition]
}
|
通过RDD的这两个抽象方法,我们可以看出 :
RDD其实是不存储真是数据的,存储的的只是 真实数据的分区信息getPartitions,还有就是针对单个分区的读取方法 compute
到这里可能就有点疑惑,要是RDD只存储这分区信息和读取方法,那么RDD的依赖信息是怎么保存的?
其实RDD是有保存的,只是我粘贴出的只是RDD顶层抽象类,还要一点需要注意 ,RDD只能向上依赖,而真正实现这两个方法的RDD都是整个任务的输入端,即处于RDD血统的顶层,初代RDD
举个例子:val rdd = sc.textFile(...); val rdd1 = rdd.map(f) . 这里的 rdd是初代RDD, 是没有任何依赖的RDD的,所以没就没有保存依赖信息, 而 rdd1是子代RDD,那么它就必须得记录下自己是来源于谁,也就是血统,
下面展示的是HadoopRDD和 MapPartitionsRDD
//负责记录数据的分区信息 和 读取方法
class HadoopRDD[K, V](
@transient sc: SparkContext,
broadcastedConf: Broadcast[SerializableConfiguration],
initLocalJobConfFuncOpt: Option[JobConf => Unit],
inputFormatClass: Class[_ <: InputFormat[K, V]],
keyClass: Class[K],
valueClass: Class[V],
minPartitions: Int)
extends RDD[(K, V)](sc, Nil) with Logging {
override def getPartitions: Array[Partition] = { ***篇幅所限 自己查看**}
override def compute(theSplit: Partition, context: TaskContext): InterruptibleIterator[(K, V)] = {***篇幅所限 自己查看**}
}
//子代RDD的作用起始很简单 就是记录初代RDD到底在干了什么才得到了自己
private[spark] class MapPartitionsRDD[U: ClassTag, T: ClassTag](
1
2
3
4
5
6
7
8
9
10
11
12
13
|
< em id = "__mceDel" > prev : RDD[T], //上一代RDD
f : (TaskContext, Int, Iterator[T]) = > Iterator[U], // (TaskContext, partition index, iterator) //初代RDD生成自己的方法
preservesPartitioning : Boolean = false )
extends RDD[U](prev) {
override val partitioner = if (preservesPartitioning) firstParent[T].partitioner else None
override def getPartitions : Array[Partition] = firstParent[T].partitions
override def compute(split : Partition, context : TaskContext) : Iterator[U] =
f(context, split.index, firstParent[T].iterator(split, context))
}
< /em >
|
到这里,我们就大概了解了RDD到底存储了什么东西,
初代RDD: 处于血统的顶层,存储的是任务所需的数据的分区信息,还有单个分区数据读取的方法,没有依赖的RDD, 因为它就是依赖的开始。
子代RDD: 处于血统的下层, 存储的东西就是 初代RDD到底干了什么才会产生自己,还有就是初代RDD的引用
现在我们基本了解了RDD里面到底存储了些什么东西,那么问题就来了,到底读取数据发生在什么时候。
数据读取发生在什么时候
直接开门见山的说, 数据读取是发生在运行的Task中,也就是说,数据是在任务分发的executor上运行的时候读取的,上源码:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
|
private [spark] class ResultTask[T, U](
stageId : Int,
stageAttemptId : Int,
taskBinary : Broadcast[Array[Byte]],
partition : Partition,
@ transient locs : Seq[TaskLocation],
val outputId : Int,
internalAccumulators : Seq[Accumulator[Long]])
extends Task[U](stageId, stageAttemptId, partition.index, internalAccumulators)
with Serializable {
@ transient private [ this ] val preferredLocs : Seq[TaskLocation] = {
if (locs == null ) Nil else locs.toSet.toSeq
}
override def runTask(context : TaskContext) : U = {
// Deserialize the RDD and the func using the broadcast variables.
val deserializeStartTime = System.currentTimeMillis()
val ser = SparkEnv.get.closureSerializer.newInstance()
val (rdd, func) = ser.deserialize[(RDD[T], (TaskContext, Iterator[T]) = > U)](
ByteBuffer.wrap(taskBinary.value), Thread.currentThread.getContextClassLoader)
_ executorDeserializeTime = System.currentTimeMillis() - deserializeStartTime
metrics = Some(context.taskMetrics)
func(context, rdd.iterator(partition, context)) //这里调用了 rdd.iterator , 下面看看RDD的这个方法
}
// This is only callable on the driver side.
override def preferredLocations : Seq[TaskLocation] = preferredLocs
override def toString : String = "ResultTask(" + stageId + ", " + partitionId + ")"
} < br >< br >< br >
|
final def iterator(split: Partition, context: TaskContext): Iterator[T] = {
if (storageLevel != StorageLevel.NONE) {
//先判断是否有缓存 ,有则直接从缓存中取 , 没有就从磁盘中取出来, 然后再执行缓存操作
SparkEnv.get.cacheManager.getOrCompute(this, split, context, storageLevel)
} else {
//直接从磁盘中读取 或 从 检查点中读取
computeOrReadCheckpoint(split, context)
}
}
在spark中的任务 最终是会被分解成多个TaskSet到executor上运行,TaskSet的划分是根据是否需要shuffle来的。
在spark中就只有两种Task,一种是ResultTask ,一种是ShuffleTask, 两种Task都是以相同的方式读取RDD的数据。