Spark的RDD概述

弹性分布式数据集（RDDS）---RDD是只读的、分区记录的集合，只支持粗粒度转换，即在大量记录上执行的单个操作。

Spark 主要以一个弹性分布式数据集（RDD）的概念为中心，它是一个容错且可以执行并行操作的元素的集合。

1、RDD的五个特征：

①分区：有一个数据分片列表，能够将数据进行切分，切分后的数据能够进行计算，是数据集的原子组成部分。

②函数：计算每个分片，得出一个可遍历的结果，用于说明在父RDD上执行何种计算。

③依赖：计算每个RDD对父RDD的依赖列表，源RDD没有依赖，通过依赖关系描述血统。

④优先位置：每一个分片的优先计算位置

⑤分区策略：描述分区模式饥饿数据存放的位置，k-v的RDD根据哈希值进行分区，类似于MR的Partitioner接口，根据key来决定分配位置。

2、RDD的依赖

Spark中的依赖关系主要体现为两种形式，宽依赖和窄依赖，其本质区别是是否发生shuffle。

窄依赖：父RDD的每一个分区最多被一个子RDD的分区所用，表现为一个父RDD的分区对应一个子RDD的分区，或多个父RDD的分区对应一个子RDD的分区，也就是说一个父RDD的一个分区不可能对应一字子RDD的多个分区。

宽依赖：子RDD的每个分区都依赖于所有父RDD的所有或多个分区，也就是说存在一个父RDD的一个分区对应一个子RDD的多个分区。

3、RDD的创建

有两种方法可以创建 RDD : 在你的 driver program（驱动程序）中 parallelizing 一个已存在的集合，或者在外部存储系统中引用一个数据集，例如，一个共享文件系统，HDFS，HBase，或者提供 Hadoop InputFormat 的任何数据源。

(SparkContext).makeRDD

(SparkContext).parallelize

(SparkContext).textFile

4、RDD的操作

RDDS 支持两种类型的操作 :

①transformations（转换）：在一个已存在的 dataset 上创建一个新的 dataset。

②actions（动作）: 将在 dataset 上运行的计算结果返回到驱动程序。

Spark 中的所有 transformations 都是 lazy（懒加载的），因此它不会立刻计算出结果。相反，他们只记得应用于一些基本数据集（例如 : 文件）的转换。只有当需要返回结果给驱动程序时，transformations 才开始计算。这种设计使 Spark 的运行更高效。例如，我们可以意识到，map 所创建的数据集将被用在 reduce 中，并且只有 reduce 的计算结果返回给驱动程序，而不是映射一个更大的数据集。

默认情况下，每次你在 RDD 运行一个 action 的时， 每个 transformed RDD 都会被重新计算。但是，您也可用 persist (或 cache) 方法将 RDD persist（持久化）到内存中；在这种情况下，Spark 为了下次查询时可以更快地访问，会把数据保存在集群上。此外，还支持持续持久化 RDDs 到磁盘，或复制到多个结点。

5、DAG的生成

原始的RDD经过一系列转换就形成了DAG图。在Spark中，DAG绘制完毕不会被立即执行，而是仅仅对数据集进行标记。