spark 核心
spark core
RDD创建 >>> RDD转换 >>> RDD缓存 >>> RDD行动 >>> RDD输出
RDD[Resilient Distributed Dataset]
它是一个弹性分布式数据集,具有良好的通用性、容错性与并行处理数据的能力，为用户屏蔽了底层对数据的复杂抽象和处理,为用户提供了一组方便的数据转换与求值方法。
-
弹性
- 存储弹性：n内存与磁盘d额自动切换
- 容错弹性：数据丢失可以自动恢复
- j计算的弹性：计算出错重试机制
- 分片弹性：根据需要重新分片
-
容错
-
通常在不同机器上备份数据或者记录数据更新的方式完成容错，但这种对任务密集型任务代价很高
-
RDD采用数据应用变换（map,filter,join），若部分数据丢失，RDD拥有足够的信息得知这部分数据是如何计算得到的，可通过重新计算来得到丢失的数据
-
这种恢复数据方法很快，无需大量数据复制操作，可以认为Spark是基于RDD模型的系统
-
-
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
Spark允许从以下四个方面构建RDD
- 从共享文件系统中获取，如从HDFS中读数据构建RDD
val RDD = sc.textFile(“/xxx/yyy/file”)
- 通过现有RDD转换得到
val RDD = a.map(x => (x, 1))
- 定义一个scala数组
val RDD = sc.parallelize(1 to 10, 1)
- 有一个已经存在的RDD通过持久化操作生成
val RDD = a.persist(), a. saveAsHadoopFile(“/xxx/yyy/zzz”)
Spark针对RDD提供两类操作：transformations和action
-
transformations是RDD之间的变换，action会对数据执行一定的操作
-
transformations采用懒策略，仅在对相关RDD进行action提交时才触发计算
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
-
实际数据块的描述（实际数据到底存在哪，或者不存在）
-
其值依赖于哪些partition
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……
RDD 依赖关系
窄依赖
每一个父RDD的Partition最多被子RDD的一个Partition使用
宽依赖
多个RDD的partition会依赖同一个父RDD的partition，会引起shuffle