1.五个基本Properties
A list of partitions
A function for computing each split
A list of dependencies on other RDDs
Optionally, a Partitioner for key-value RDDs (e.g. to say that the RDD is hash-partitioned)
Optionally, a list of preferred locations to compute each split on (e.g. block locations for an HDFS file)
这是RDD的源码中注释中写到的,下面介绍这五种特征属性
1.1 分区
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
1.2 计算的函数
一个对分区数据进行计算的函数。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
达到该目的。compute函数会对迭代器进行组合,不需要保存每次计算的结果
1.3 依赖关系
RDD之间的存在依赖关系。RDD的每次转换都会生成一个新的RDD,RDD之间形成类似于流水线一样的前后依
赖关系(lineage)。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
1.4 分区器
对于 key-value 的RDD而言,可能存在分区器(Partitioner)。Spark 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 key-value 的RDD,才可能有
Partitioner,非key-value的RDD的Parititioner的值是None。Partitioner函数决定了RDD本身的分片数量,也
决定了parent RDD Shuffle输出时的分片数量
1.5 优先存储位置
一个列表,存储存储每个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Partition所在的块的位置。按照“移动数据不移动计算”的理念,Spark在任务调度的时候,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
2. RDD转换之间的常见算子
从前面的RDD的基本特征入手,在工作中常编写的程序是,创建RDD,RDD的转换,RDD的算子的执行,创建对应着外部系统的数据流入Spark集群的必选步骤,至于之间从集合创建的数据,一般在测试时候使用,所以不细述,RDD的转换对应一个专门的算子叫Transformation其是惰性加载使用的, 而行动对应着触发Transformation执行的操作,一般是输出到集合,或者打印出来,或者返回一个值,另外就是从集群输出到别的系统,这有一个专业词叫Action.
2.1 常见转换算子
转换算子,即从一个RDD到另外一个RDD的转换操作,对应一些内置的Compute函数,但是这些函数被有没有shuffle来分为宽依赖算子和窄依赖算子
2.1.1 宽依赖和窄依赖的区别
一般网上文章有两种,一种是搬运定义的,即是否一个父RDD分区会被多个子分区依赖,另外一种是看有没有Shuffle,有Shuffle就是宽依赖,没有则是窄依赖,第一种还靠谱点,第二种就是拿本身来说本身,所以没有参考价值,2.1.3 如何区别宽依赖和窄依赖,可以之间看这个
2.1.2 宽依赖和窄依赖的常见算子
窄依赖常见算子
map(func):对数据集中的每个元素都使用func,然后返回一个新的RDD
filter(func):对数据集中的每个元素都使用func,然后返回一个包含使func为true的元素构成的RDD
flatMap(func):与 map 类似,每个输入元素被映射为0或多个输出元素
mapPartitions(func):和map很像,但是map是将func作用在每个元素上,而mapPartitions是func作用在整个分
区上。假设一个RDD有N个元素,M个分区(N >> M),那么map的函数将被调用N次,而mapPartitions中的函数
仅被调用M次,一次处理一个分区中的所有元素
mapPartitionsWithIndex(func):与 mapPartitions 类似,多了分区的索引值的信息
glom():将每一个分区形成一个数组,形成新的RDD类型 RDD[Array[T]]
sample(withReplacement, fraction, seed):采样算子。以指定的随机种子(seed)随机抽样出数量为fraction的数
据,withReplacement表示是抽出的数据是否放回,true为有放回的抽样,false为无放回的抽样
coalesce(numPartitions,false):无shuffle,一般用来减少分区
union(otherRDD): 求两个RDD的并集
cartesian(otherRDD):笛卡尔积
zip(otherRDD):将两个RDD组合成 key-value 形式的RDD,默认两个RDD的partition数量以及元素数量都相同,否
则会抛出异常。
map 与 mapPartitions 的区别
map:每次处理一条数据
mapPartitions:每次处理一个分区的数据,分区的数据处理完成后,数据才能释放,资源不足时容易导致
OOM
最佳实践:当内存资源充足时,建议使用mapPartitions,以提高处理效率
宽依赖常见算子
groupBy(func):按照传入函数的返回值进行分组。将key相同的值放入一个迭代器
distinct([numTasks])):对RDD元素去重后,返回一个新的RDD。可传入numTasks参数改变RDD分区数
coalesce(numPartitions, true):有shuffle,无论增加分区还是减少分区,一般用repartition来代替
repartition(numPartitions):增加或减少分区数,有shuffle
sortBy(func, [ascending], [numTasks]):使用 func 对数据进行处理,对处理后的结果进行排序
intersection(otherRDD): 求两个RDD的交集
subtract (otherRDD): 求两个RDD的差集
2.1.3 如何区别宽依赖和窄依赖
这里我建议理解不了的算子,直接从Spark的history的依赖图来看,有没有划分Stage,如果划分了就是宽依赖,没有划分就是窄依赖,当然这是实战派的做法,可以在同事或者同学说明问题的时候,show your code 给他,然后把依赖图拿给他 ,当然作为理论加实践的并行者,我这里再拿一种来判别,是从理解定义开始的,定义说是父RDD分区有没有被多个子分区依赖,那可以从这个角度想一下,父分区单个分区数据,有没有可能流向不同的子RDD的分区,比如想一想distinct算子,或者sortBy算子,全局去重和全局排序,假设刚开始1,2,3在一个分区,经过map(x => (x, null)).reduceByKey((x, y) => x).map(_._1) 去重后,虽然分区数量没有变,但是每个分区数据必然要看别的分区的数据,才能知道最后自己要不要保留,从输入分区,到输出分区,必然经过汇合重组,所以必然有shuffle的。sortBy同理。
2.2 常见行动算子
Action触发Job。一个Spark程序(Driver程序)包含了多少 Action 算子,那么就有多少Job;
典型的Action算子: collect / count
collect() => sc.runJob() => ... => dagScheduler.runJob() => 触发了Job
`collect() / collectAsMap()
stats / count / mean / stdev / max / min
reduce(func) / fold(func) / aggregate(func)`
first():Return the first element in this RDD
take(n):Take the first num elements of the RDD
top(n):按照默认(降序)或者指定的排序规则,返回前num个元素。
takeSample(withReplacement, num, [seed]):返回采样的数据
foreach(func) / foreachPartition(func):与map、mapPartitions类似,区别是 foreach 是 Action
saveAsTextFile(path) / saveAsSequenceFile(path) / saveAsObjectFile(path)
3. PairRDD常见操作
RDD整体上分为 Value 类型和 Key-Value 类型。
前面介绍的是 Value 类型的RDD的操作,实际使用更多的是 key-value 类型的RDD,也称为 PairRDD。
Value 类型RDD的操作基本集中在 RDD.scala 中;
key-value 类型的RDD操作集中在 PairRDDFunctions.scala 中;
前面介绍的大多数算子对 Pair RDD 都是有效的,RDD的值为key-value的时候即可隐式转换为PairRDD, Pair RDD还有属于自己的 Transformation、Action 算子;
3.1 常见PairRDD的Transformation操作
3.1.1 类似 map 操作
mapValues / flatMapValues / keys / values,这些操作都可以使用 map 操作实现,是简化操作。
3.1.2 聚合操作【重要、难点】
PariRDD(k, v)使用范围广,聚合
groupByKey / reduceByKey / foldByKey / aggregateByKey
combineByKey(OLD) / combineByKeyWithClassTag (NEW) => 底层实现
subtractByKey:类似于subtract,删掉 RDD 中键与 other RDD 中的键相同的元素
结论:效率相等用最熟悉的方法;groupByKey在一般情况下效率低,尽量少用
3.1.3 排序操作
sortByKey:sortByKey函数作用于PairRDD,对Key进行排序
3.1.4 join操作
cogroup / join / leftOuterJoin / rightOuterJoin / fullOuterJoin
val rdd1 = sc.makeRDD(Array((1,"Spark"), (2,"Hadoop"), (3,"Kylin"), (4,"Flink")))
val rdd2 = sc.makeRDD(Array((3,"李四"), (4,"王五"), (5,"赵六"), (6,"冯七")))
val rdd3 = rdd1.cogroup(rdd2)
rdd3.collect.foreach(println)
rdd3.filter{case (_, (v1, v2)) => v1.nonEmpty & v2.nonEmpty}.collect
// 仿照源码实现join操作
rdd3.flatMapValues( pair =>
for (v
3.1.5 Action操作
collectAsMap / countByKey / lookup(key)
lookup(key):高效的查找方法,只查找对应分区的数据(如果RDD有分区器的话
4.寄语
实战出真知,想要某种实现的时候,假设恰好你想到某个算子,那么去使用它,不懂的地方看源码,大业可成!
吴邪,小三爷,混迹于后台,大数据,人工智能领域的小菜鸟。
更多请关注