什么是RDD
RDD(Resilient Distributed Dataset)叫做分布式数据集,是Spark中最基本的数据抽象,它代表一个不可变、可分区、里面的元素可并行计算的集合。
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,这极大地提升了查询速度。
RDD的属性
1) A list of partitions 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,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) A function for computing each split 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。
3) A list of dependencies on other RDDs 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) Optionally,a Partitoner for key-value RDDs 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Partitioner的值是None。Partitioner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。
5) Optionally,a list of preferred locations to compute each split on 一个列表,存储每个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Patition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。
RDD创建方式
Parallelize 方式创建
引用本地或者外部的文件
1
2
3
|
# 本地文件
data_from_file
=
sc
.
textFile
(
"file:/Users/songhao/Desktop/demo/log_168/www.168seo.cn.log"
)
.
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
|
# -*- coding: utf-8 -*-
"""
@Time: 2018/9/4
@Author: songhao
@微信公众号: zeropython
@File: spark0301.py
"""
from
pyspark
import
SparkConf
,
SparkContext
#配置
conf
=
SparkConf
(
)
.
setAppName
(
"spark demo "
)
.
setMaster
(
"local[2]"
)
sc
=
SparkContext
(
conf
=
conf
)
# 业务逻辑
datas
=
[
1
,
2
,
3
,
4
,
4
,
32
]
rdd
=
sc
.
parallelize
(
datas
)
print
(
rdd
.
count
(
)
,
rdd
.
collect
(
)
)
# 停止
sc
.
stop
(
)
|