RDD
1.简介
RDD(弹性分布式数据集) 是 PySpark 的基本构建块,它是容错、不可变的 分布式对象集合。
换句话说,RDD 是类似于 Python 中的列表的对象集合,不同之处在于 RDD 是在分散在多个物理服务器上的多个进程上计算的,也称为集群中的节点,而 Python 集合仅在一个进程中存在和处理。 一旦你创建了一个 RDD,就不能改变它。
RDD
是Spark编程中最基本的数据对象, 无论是最初加载的数据集
,还是任何中间结果的数据集
,或是最终的结果数据集
,都是RDD
。 在Pyspark中,RDD是由分布在各节点上的python对象组成,如列表,元组,字典等。 RDD主要是存储在内存中(亦可持久化到硬盘上),这就是相对于Hadoop的MapReduce的优点,节省了重新读取硬盘数据的时间。
弹性
:RDD是有弹性的,意思就是说如果Spark中一个执行任务的节点丢失了,数据集依然可以被重建出来;分布式
:RDD是分布式的,RDD中的数据被分到至少一个分区中,在集群上跨工作节点分布式地作为对象集合保存在内存中;数据集
:RDD是由记录组成的数据集。
RDD的另一个关键特性是不可变,也即是在实例化出来导入数据后,就无法更新了。 每次对已有RDD进行转化操作(transformation)都会生成新的RDD
2.PySpark RDD 的优势
内存处理
PySpark 从磁盘加载数据并 在内存中处理数据 并将数据保存在内存中,这是 PySpark 和 Mapreduce(I/O 密集型)之间的主要区别。在转换操作过程中,我们还可以在内存中缓存/持久化 RDD 以重用之前的计算。
不变性
PySpark 在 HDFS、S3 等上的容错数据存储上运行,因此任何 RDD 操作失败,它会自动从其他分区重新加载数据。此外,当 PySpark 应用程序在集群上运行时,PySpark 任务失败会自动恢复一定次数(根据配置)并无缝完成应用程序。
惰性运算
PySpark 不会在驱动程序出现/遇到 RDD 转换时对其进行评估,而是在遇到(DAG)时保留所有转换,并在看到第一个 RDD 操作时评估所有转换。
分区
当从数据创建 RDD 时,它默认对 RDD 中的元素进行分区。默认情况下,它会根据可用内核数进行分区。
局限
PySpark RDD 不太适合更新状态存储的应用程序,例如 Web 应用程序的存储系统。对于这些应用程序,使用执行传统更新日志记录和数据检查点的系统(例如数据库)更有效。 RDD 的目标是为批处理分析提供高效的编程模型,并离开这些异步应用程序。
3.创建RDD
转化操作(Transformations )
: 操作RDD并返回一个 新RDD 的函数; 参考文献
行动操作(Actions )
: 操作RDD, 触发计算, 并返回 一个值 或者 进行输出 的函数。 参考文献
二者最大的区别是,转化操作是惰性的,将一个 RDD 转换/更新为另一个,意味着直到我们调用一个 行动操作之前,是不会执行计算的。
#创建一个SparkSession对象,方便下面使用
from pyspark.sql import SparkSession
spark = SparkSession\
.builder\
.appName('exam1')\
.enableHiveSupport()\
.getOrCreate()
# 通过文件创建RDD
sc = spark.sparkContext
sc.textFile(name, minPartitions=None, use_unicode=True)
Example=sc.textFile(“hdfs://exam_dir/running_logs/”)
# 代码内部创建RDD
#Create RDD from parallelize
data = [1,2,3,4,5,6,7,8,9,10,11,12]
Rdd = spark.sparkContext.parallelize(data)
#创建空RDD
rdd = spark.sparkContext.emptyRDD
rdd2 = spark.sparkContext.parallelize( [ ],10) #This creates 10 partitions
从数据源创建RDD
一般是使用SparkSession
中的函数,SparkSession
对象提供了read
method,返回一个DataFrameReader
对象。用该对象将数据读取到DataFrame
中,DataFrame
是一种特殊的RDD
,老版本中称为SchemaRDD
。 比如说,spark
现在是一个已经被创建的SparkSession
对象,然后调用read
方法,spark.read
就是一个DataFrameReader
对象,然后就调用该对象(DataFrameReader
)的一系列方法
常见的RDD类型
PairRDD
: 由键值对组成的RDD,比如前面提到的用wholeTextFiles()方法读取的内容就是以键值对的形式存在
DoubleRDD
: 由双精度浮点数组成的RDD。
DataFrame
:以前的版本被称为SchemaRDD,按一组有固定名字和类型的列来组织的分布式数据集。DataFrame等价于sparkSQL中的关系型表! 所以我们在使用sparkSQL的时候常常要创建这个DataFrame,在sparkSQL部分会提及。
HadoopRDD
:提供读取存储在HDFS上的数据的RDD。
重新分区
第一:使用repartition(numPartitions)
从所有节点混洗数据的方法,也称为完全混洗, repartition()方法是一项非常昂贵的操作,因为它会从集群中的所有节点打乱数据。
第二:使用coalesce(n)
方法从最小节点混洗数据,仅用于减少分区数。 这是repartition()使用合并降低跨分区数据移动的优化或改进版本。
第三:使用partitionBy(numPartitions, partiontionFunc=portable_hash)
函数
混洗操作
Shuffle 是 PySpark 用来在不同执行器甚至跨机器重新分配数据的机制。 可能导致shuffle的操作包括:
repartition
和coalesce
等重新分区操作,
groupByKey
和reduceByKey
等聚合操作(计数除外),
以及cogroup
和join
等连接操作
PySpark Shuffle 是一项昂贵的操作,因为它涉及以下内容 ·磁盘输入/输出 ·涉及数据序列化和反序列化 ·网络输入/输出
混洗分区大小和性能 根据数据集大小,较多的内核和内存混洗可能有益或有害我们的任务。 ①当处理较少的数据量时,通常应该减少 shuffle 分区, 否则最终会得到许多分区文件,每个分区中的记录数较少,形成了文件碎片化。
②另一方面,当有太多数据且分区数量较少时,会导致运行时间较长的任务较少,有时也可能会出现内存不足错误。
获得正确大小的 shuffle 分区总是很棘手,需要多次运行不同的值才能达到优化的数量。当在 PySpark task上遇到性能问题时,这是要寻找的关键属性之一
RDD持久化与重用
RDD主要创建和存在于执行器的内存中。默认情况下,RDD是易逝对象,仅在需要的时候存在。 在它们被转化为新的RDD,并不被其他操作所依赖后,这些RDD就会被删除。 若一RDD在多个行动操作中用到,就每次都会重新计算,则可调用cache()
或persist( )
方法缓存或持久化RDD。
窄依赖(窄操作)- 宽依赖(宽操作)
- 窄操作:
- ①多个操作可以合并为一个阶段,比如同时对一个数据集进行的map操作或者filter操作可以在数据集的各元 素的一轮遍历中处理;
- ②子RDD只依赖于一个父RDD
- ③不需要进行节点间的数据混洗
- 宽操作:
- ①通常需要数据混洗
- ②RDD有多个依赖,比如在join或者union的时候