Spark基础01-RDD和宽窄依赖

1、RDD

• 官方解释是：A Resilient Distributed Dataset (RDD), the basic abstraction in Spark. Represents an immutable,partitioned collection of elements that can be operated on in parallel

• 译文：弹性分布式数据集（rdd）是Spark中的基本抽象。表示可以并行操作的、不可变的、分区的元素集合

从上截图可看出，RDD除了提供基础的map、filter等方法以外，还隐式整合了其他操作，

• 针对K-V类型的操作封装在org.apache.spark.rdd.PairRDDFunctions 下，例如：combineByKey、reduceByKey等
• 针对Double数值类型的操作封装在org.apache.spark.rdd.DoubleRDDFunctions 下，例如：sum等
• 针对SequenceFile文件类型的操作封装在org.apache.spark.rdd.SequenceFileRDDFunctions下，例如：saveAsSequenceFile等

2、RDD的特性

• a list of partitions ：由一个或多个分区组成的列表
• a function for computing each split ： 一个函数计算每一个分片，RDD的每个partition上面都会有function
• a list of dependencies on other RDDs：RDD会记录它的依赖 ，依赖还具体分为宽依赖和窄依赖，用于容错
• a Partitioner for Key-value RDDs：如果RDD里面存的数据是key-value形式，则可以传递一个自定义的Partitioner进行重新分区
• a list of preferred locations to compute each split on：去最优的位置计算，计算向数据移动
• 从以上五个特性可以总结的特点：
  1. 不可变的，已分区的集合对象
  2. 可以通过并行转换方式来创建，如：map、filter
  3. 失败自动重建
  4. 可控制存储级别（内存，磁盘等）用于容错重算
  5. 必须是可序列化
  6. 静态类型

3、宽窄依赖

• 窄依赖（NarrowDependency）

• 官方解释为：Base class for dependencies where each partition of the child RDD depends on a small number of partitions of the parent RDD. Narrow dependencies allow for pipelined execution

• 译文：依赖项的基类，其中子RDD的每个分区依赖于父RDD的少量分区。狭窄的依赖关系允许管道执行

• 其中窄依赖相同包下存在两个具体实现的子类，OneToOneDependency和RangeDependency

• 宽依赖（ShuffleDependency）

• 官方解释为：Represents a dependency on the output of a shuffle stage. Note that in the case of shuffle, the RDD is transient since we don’t need it on the executor side
• 译文：表示对洗牌阶段输出的依赖关系。注意，在shuffle的情况下，rdd是短暂的，因为我们不需要它在执行者端

• 总结：
  • spark中的依赖是由org.apache.spark.Dependency来进行控制的，其下存在两个子类分别对应着窄依赖【NarrowDependency】和宽依赖【ShuffleDependency】
  • NarrowDependency是一个抽象类，具体实现类是OneToOneDependency和RangeDependency
    • OneToOneDependency：依赖的父RDD分区只有一个
    • RangeDependency：依赖的父RDD分区有多个
  • ShuffleDependency就是其他各类文章所说的宽依赖，笔者推荐介绍spark依赖关系的时候，将宽依赖改称为ShuffleDependency更为准确