RDD 和 spark执行原理

1. RDD

概念
RDD(Resilient Distributed Dateset)，弹性分布式数据集。

RDD的五大特性：

1. RDD是由一系列的partition组成的。
2. 函数是作用在每一个partition（split）上的。
3. RDD之间有一系列的依赖关系。
4. 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。
5. RDD提供一系列的最佳计算模式。

RDD理解图:

注意：

1. 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。
2. RDD实际上不存储数据，这里方便理解，暂时理解为存储数据。
3. 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。
4. 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。
5. 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。
6. 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

1. 创建SparkConf对象

   • 可以设置Application name。
   • 可以设置运行模式及资源需求。

2. 创建SparkContext对象

3. 基于Spark的上下文创建一个RDD，对RDD进行处理。

4. 应用程序中要有Action类算子来触发Transformation类算子执行。

5. 关闭Spark上下文对象SparkContext。