Spark核心—RDD( Resilient Distributed Dataset 弹性分布式数据集模型)

1.四个特征

– RDD使用户能够显式将计算结果保存在内存中，控制数据的划分

– 记录数据的变换和描述，而不是数据本身，以保证容错

– 懒操作，延迟计算，action的时候才操作

– 瞬时性，用时才产生，用完就释放

2.四种构建方法

– 从共享文件系统中获取，如从HDFS中读数据构建RDD

• val a = sc.textFile(“/xxx/yyy/file”)

– 通过现有RDD转换得到

• val b = a.map(x => (x, 1))

– 定义一个scala数组

• val c = sc.parallelize(1 to 10, 1)

– 由一个已经存在的RDD通过持久化操作生成

• val d = a.persist(), a. saveAsHadoopFile(“/xxx/yyy/zzz”)

3.partition和依赖

– 每个RDD包含了数据分块/分区（partition）的集合，每个partition是不可分割的

– 每个partition的计算就是一个task，task是调度的基本单位

– 与父RDD的依赖关系（rddA=>rddB）

宽依赖： B的每个partition依赖于A的所有partition

• 比如groupByKey、reduceByKey、join……，由A产生B时会先对A做shuffle分桶

窄依赖： B的每个partition依赖于A的常数个partition

• 比如map、filter、union……

4.stage和依赖

– 从后往前，将宽依赖的边删掉，连通分量及其所有依赖的RDD，构成一个stage

– 每个stage内部尽可能多地包含一组具有窄依赖关系的转换，并将它们流水线并行化

5.数据局部性原则

– 如果一个任务需要的数据在某个节点的内存中，这个任务就会被分配至那个节点

– 需要的数据在某个节点的文件系统中，就分配至那个节点

6.容错性原则

– 如果此task失败，AM会重新分配task

– 如果task依赖的上层partition数据已经失效了，会先将其依赖的partition计算任务再重算一遍

• 宽依赖中被依赖partition，可以将数据保存HDFS，以便快速重构（checkpoint）

• 窄依赖只依赖上层一个partition，恢复代价较少

– 可以指定保存一个RDD的数据至节点的cache中，如果内存不够，会LRU释放一部分，仍有重构的可能