Spark总结之RDD创建、特性、算子

RDD（resilient dastributed dataset）

RDD：弹性分布式数据集。所谓“弹性”，可以自动进行内存和磁盘的切换；具有高效容错、任务失败充实等特点；一个RDD可进行多个分区；RDD分区之间存在依赖关系，分为“宽依赖”和“窄依赖”，前者是指一个父RDD分区被多个子RDD分区所使用，后者是指一个父RDD分区最多被一个子RDD分区多使用

2大创建：

• Parallelized Collections

  将已经存在的数据集转化成rdd/其他RDD转化形成新的RDD，一般在进行测试的时候使用

  #sc即SparkContext
  val data = Array(1,2,3,4,5)
  #第二个参数10是手动创建的partitions，可选参数
  val rdd = sc.parallelize(data,10)
  

• External Datasets

  由外部存储系统的数据集创建，包括本地的文件系统，还有所有Hadoop支持的数据集，比如HDFS、HBase。

  #URI(Uniform Resource Identifier，统一资源标识符),而URL（URL：Uniform Resource Location统一资源定位符），URL是URI的子集
  #参数是文件的URI（file///，还可以是hdfs://,）
  val distFile = sc.textFile("data.txt")
  distFile: org.apache.spark.rdd.RDD[String] = data.txt MapPartitionsRDD[10] at textFile at <console>:26
  

5大特性

<!--源码中的描述-->
*  - A list of partitions
*  - A function for computing each split
*  - A list of dependencies on other RDDs
*  - Optionally, a Partitioner for key-value RDDs (e.g. to say that the RDD is hash-partitioned)
*  - Optionally, a list of preferred locations to compute each split on (e.g. block locations for an HDFS file)

• 一组分片（Partition），即数据集的基本组成单位。 对于RDD来说，每个分片都会被一个计算任务处理，并决定并行计算的粒度。用户可以在创建RDD 的时候指定RDD的分片个数，如果没有指定，那么就会采用默认值。默认值就是程序所分配到的CPU Cores 的数目；

• 对于RDD来说，每个分片都会被一个计算任务处理，并决定并行计算的粒度。Spark中RDD的计算是以分片为单位的，每个RDD都会实现compute函数以达到这个目的。compute函数会对迭代器进行复合，不需要保存每次计算的结果；

• RDD 之间互相存在依赖关系。 RDD 的每次转换都会生成一个新的 RDD ,所以 RDD 之间就会形成类似于流水线一样的前后依赖关系。在部分分区数据丢失时，Spark 可以通过这个依赖关系重新计算丢失部分的分区数据，而不是对 RDD 的所有分区进行重新计算。—具有容错性

• 一个Partitioner ，即 RDD 的分片函数 。当前Spark 中实现了两种类型的分片函数，一个是基于哈希的 HashPartitioner ，另外一个是基于范围的 RangePartitioner。只有对于key-value的RDD ,才会有 Partitioner,非 key-value 的RDD 的 Partitioner 的值是None。Partitioner 函数不但决定了RDD 本身的分片数量，也决定了 Parent RDD Shuffle 输出时的分片数量。

• 一个列表，存储存取每个Partition 的优先位置（preferred location）。 对于一个HDFS 文件来说，这个列表保存的就是每个 Partition 所在的块位置。根据**“移动数据不如移动计算”**的理念，Spark 在进行任务调度的时候，会尽可能地将计算任务分配到其所要处理数据块的存储位置。

3大算子：

transformations：数据内容不会变化，形式改变，懒加载，只有在actions阶段才执行。

操作	含义
map(func)	返回一个新的RDD,该RDD由每一个输入元素经func函数转换后组成
filter(func)	返回一个新的RDD，该RDD由经过func函数计算后返回值为true的输入元素组成
flatMap(func)	类似于map，但是每一个输入元素可以被映射为0或多个输出元素（所以func应该返回一个序列，而不是单一元素）
repartition(numPartitions)	重新分区
join(otherDataset, [numTasks])	在类型为(K,V)和(K,W)的RDD上调用，返回一个相同key对应的所有元素对在一起的(K,(V,W))的RDD 相当于内连接（求交集）
sample(withReplacement, fraction, seed)	根据fraction指定的比例对数据进行采样，可以选择是否使用随机数进行替换，seed用于指定随机数生成器种子
union(otherDataset)	对源RDD和参数RDD求并集后返回一个新的RDD
intersection(otherDataset)	对源RDD和参数RDD求交集后返回一个新的RDD
distinct([numTasks]))	对源RDD进行去重后返回一个新的RDD
groupByKey([numTasks])	在一个(K,V)的RDD上调用，返回一个(K, Iterator[V])的RDD
reduceByKey(func, [numTasks])	在一个(K,V)的RDD上调用，返回一个(K,V)的RDD，使用指定的reduce函数，将相同key的值聚合到一起，与groupByKey类似，reduce任务的个数可以通过第二个可选的参数来设置
sortByKey([ascending], [numTasks])	在一个(K,V)的RDD上调用，K必须实现Ordered接口，返回一个按照key进行排序的(K,V)的RDD
sortBy(func,[ascending], [numTasks])	与sortByKey类似，但是更灵活 第一个参数是根据什么排序 第二个是怎么排序 false倒序 第三个排序后分区数 默认与原RDD一样
cogroup(otherDataset, [numTasks])	在类型为(K,V)和(K,W)的RDD上调用，返回一个(K,(Iterable,Iterable))类型的RDD

actions：

操作	含义
reduce(func)	通过func函数聚集RDD中的所有元素，这个功能必须是可交换且可并联的
collect()	以数组的形式返回数据集的所有元素
count()	返回RDD的元素个数
first()	返回RDD的第一个元素
take(n)	返回一个由数据集的前n个元素组成的数组
saveAsTextFile(path)	将数据集的元素以textfile的形式保存到HDFS文件系统或者其他支持的文件系统，对于每个元素，Spark将会调用toString方法，将它装换为文件中的文本
countByKey()	针对(K,V)类型的RDD，返回一个(K,Int)的map，表示每一个key对应的元素个数
foreach(func）	在数据集的每一个元素上，运行函数func进行更新
lookup	对<key,value>型的rdd操作，返回指定key对应的元素形成的seq。如果这个rdd包含分区器，那么只扫描对应key所在的分区，若不含，则进行全盘扫描

controller：

操作	含义
cache	只有一个默认的缓存级别MeMORY-ONLY，cache调用了persist
persist	可以根据情况设置其缓存级别
用处：	两者都是用来将一个RDD进行缓存的，避免重复计算，从而节省程序运行的时间。