什么是RDD
RDD(Resilient Distributed Dataset)叫做弹性分布式数据集,是Spark中最基本的数据抽象。代码中是一个抽象类,它代表一个不可变、可分区、里面的元素可并行计算的集合
。
弹性分布式数据集(保存在内存中)
- 弹性:RDD中的数据可以保存在内存中或者磁盘里面。
- 分布式:分布式存储的,可以用于分布式计算。
- 数据集:一个几个,可以存放很多元素
为什么要有RDD
在许多迭代式算法(比如机器学习、图算法等)和交互式数据挖掘中,不同计算阶段之间会重用中间结果,即一个阶段的输出结果会作为下一个阶段的输入
。但是,之前的MapReduce框架采用非循环式的数据流模型,把中间结果写入到HDFS中,带来了大量的数据复制、磁盘IO和序列化开销。且这些框架只能支持一些特定的计算模式(map/reduce),并没有提供一种通用的数据抽象。
AMP实验室发表的一篇关于RDD的论文:《Resilient Distributed Datasets: A Fault-Tolerant Abstraction for In-Memory Cluster Computing》就是为了解决这些问题的
RDD提供了一个抽象的数据模型
,让我们不必担心底层数据的分布式特性,只需将具体的应用逻辑表达为一系列转换操作(函数)
,不同RDD之间的转换操作之间还可以形成依赖关系,进而实现管道化,从而避免了中间结果的存储,大大降低了数据复制、磁盘IO和序列化开销,并且还提供了更多的API(map/reduec/filter/groupBy…)
RDD的主要属性
1、A list of partitions
数据集的基本组成单位,一组分区或分片
- 每个分片(分区)都会被一个计算任务处理,分片数决定并行度(与Kafka相同)
用户可以在创建RDD时指定RDD的分片个数,如果没有指定,那么就会采用默认值(默认值为2)
2、A function for computing each split
一个函数会被作用在每一个分区/分片
Spark中RDD的计算是以分区为单位的,compute函数会被作用到每个分区上
3、A list of dependencies on other RDDs
一个RDD会依赖于其他多个RDD
RDD的每次转换都会生成一个新的RDD
RDD之间会形成类似于流水线(血缘/血统)一样的前后依赖关系
部分分区数据丢失时,Spark可以通过依赖关系重新计算丢失的分区数据,而不需要对RDD的所有分区进行重新计算(Spark的容错机制)
4、Optionally, a Partitioner for key-value RDDs (e.g. to say that the RDD is hash-partitioned)
- Spark中的分区函