1. RDD
概念
RDD(Resilient Distributed Dateset),弹性分布式数据集。
RDD的五大特性:
- RDD是由一系列的partition组成的。
- 函数是作用在每一个partition(split)上的。
- RDD之间有一系列的依赖关系。
- 分区器是作用在K,V格式的RDD上。RDD提供一系列最佳的计算位置。
- RDD提供一系列的最佳计算模式。
RDD理解图:
注意:
- textFile方法底层封装的是读取MR读取文件的方式,读取文件之前先split,默认split大小是一个block大小。
- RDD实际上不存储数据,这里方便理解,暂时理解为存储数据。
- 什么是K,V格式的RDD?
- 如果RDD里面存储的数据都是二元组对象,那么这个RDD我们就叫做K,V格式的RDD。
- 哪里体现RDD的弹性(容错)?
- partition数量,大小没有限制,体现了RDD的弹性。
- RDD之间依赖关系,可以基于上一个RDD重新计算出RDD。
- 哪里体现RDD的分布式?
- RDD是由Partition组成,partition是分布在不同节点上的。
- RDD提供计算最佳位置,体现了数据本地化。体现了大数据中“计算移动数据不移动”的理念。
2. Spark任务执行原理
以上图中有四个机器节点,Driver和Worker是启动在节点上的进程,运行在JVM中的进程。
7. Driver与集群节点之间有频繁的通信。
8. Driver负责任务(tasks)的分发和结果的回收。任务的调度。如果task的计算结果非常大就不要回收了。会造成oom。
9. Worker是Standalone资源调度框架里面资源管理的从节点。也是JVM进程。
10. Master是Standalone资源调度框架里面资源管理的主节点。也是JVM进程。
3. Spark代码流程
-
创建SparkConf对象
- 可以设置Application name。
- 可以设置运行模式及资源需求。
-
创建SparkContext对象
-
基于Spark的上下文创建一个RDD,对RDD进行处理。
-
应用程序中要有Action类算子来触发Transformation类算子执行。
-
关闭Spark上下文对象SparkContext。