RDD相关概念

RDD概念:

RDD 定义为弹性分布式数据集,包含了只读的、分区的、分布式计算的概念;RDD是个类
1、一个数据分区的列表(hdfs的所有数据块的位置信息,保存在RDD类成员变量Array中)
2、保存了数据块上面的计算方法,这个计算方法会应用到每一个数据块
3、一个对其他RDD的依赖,是一个集合,spark就是通过这种依赖关系,像流水一样处理我们的数据
   当分区的数据计算失败,只需要根据流水线的信息,重新计算这一个分区的数据即可,不需要计算全部数据
4、分区方式(partitioner),决定RDD数据来源的分区和数据计算后的分区:hashpartitioner;rangepartitioner
5、位置相关性

RDDS的血统关系图:

spark维护着RDDS之间的依赖关系,叫做血统关系图
spark使用血统关系图来计算每个RDD的需求和恢复丢失数据

延迟计算(lazy Evaluation)

Spark 对RDDS的计算是 ,他们第一次使用action的时候
这种方式在处理大数据的时候特别有用,可以减少数据的传输
spark内部记录metadata表名transformations操作已经被响应了
加载数据也是延迟计算,数据只有在必要时候,才会被加载进去
 

narrow dependency(窄依赖)和wide dependency( 宽依赖)的概念。

父RDD中的数据是否进入不同的子RDD,如果只进入到一个子RDD则是窄依赖,否则就是宽依赖。
宽依赖和窄依赖的边界就是stage的划分点。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值