1.RDD
1.1 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(计算)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(分区同时计算)的集合。
1.2 RDD的属性
- 一组分区(Partition),即数据集的基本组成单位;
当读取文件很大时,文件需要切片,对应每个切片就对应一个Rdd的一个分区。
- 一个计算每个分区的函数;(每个分区都有一个计算函数)
- RDD之间的依赖关系;(例如wordCount, 后一个Rdd依赖前一个Rdd的值)
- 一个Partitioner,即RDD的分片函数;(针对kv类型的rdd,我们可以给他指定分区函数,默认hash分区)
- 一个列表,存储存取每个Partition的优先位置(preferred location)。(处理Rdd每个分片计算时,原本数据在哪里,我们尽量在哪里计算,移动计算)
1.3 RDD特点
RDD表示只读的分区的数据集,对RDD进行改动,只能通过RDD的转换操作,由一个RDD得到一个新的RDD,新的RDD包含了从其他RDD衍生所必需的信息。RDDs之间存在依赖,RDD的执行是按照血缘关系延时计算的。如果血缘关系较长,可以通过持久化RDD来切断血缘关系。