Spark-RDD详解

什么是RDD?

• 弹性分布式数据集分布在不同集群节点的内存中
• 可以理解成一大数组
• 数组的每一元素是RDD的一分区
• RDD的每一分区是一数据块
• 一个RDD可以分布并被运算在多台计算机节点的内存及硬盘中

RDD代表了一系列数据集合分布在机群的内存中。SPARK CORE 的任务是对这些数据进行分布式计算。

RDD特性

1. RDD数据块可以放在磁盘上也可放在内存中(取决于设置)
2. 如出现缓存失效或丢失，RDD的分区可以重新计算刷新
3. RDD本身是不能被修改的
4. 但RDD可以通过API (底层采用Scala)被变换生成新的RDD

RDD的类型

• 并行集合（Parallelized Collections）：来自于分布式化的数据对象比如PYTHON 中的list 对象.比如用户自己键入的数据
• 文件系统数据集（如 Hadoop Datasets 或文本文件.比如通过SparkContext.textFile() 读取的数据

并行化集合是通过调用SparkContext的parallelize方法，在一个已经存在的数据集合上创建的（一个Seq对象）。集合的对象将会被拷贝，创建出一个可以被并行操作的分布式数据集

RDD的计算方式

1. 变换(Transformations) (如：map, filter)的返回值仍然是一个RDD，Transformations操作是Lazy的，也就是说变换只是一些指令集而并不会去马上执行，需要等到有Actions操作的时候才会真正计算给出结果。Lazy Evaluation。
2. 操作(Actions) (如：count, collect)，Actions操作会返回结果或把RDD数据输出到各类系统中。Actions触发Spark启动并找到最优的计算途径。返回值是非并行化的数据集合比如 PYTHON 中的list

RDD的持久化

默认情况下当使用action 在RDD上时Spark会重新计算刷新RDD.但也可以通过持久化方法cache和persist将RDD放在内存当中。这样当第二次使用 action 在RDD上时，Spark将不重新计算刷新RDD
举个栗子

path='hdfs://xxxxxxx'
rows=sc.textFile(path)
rows.persist() #or rows.cache
rows.count()  #1
rows.count()  #2

第二个 rows.count() 将不重新从文件中读取RDD

RDD的cache和persist级别

• RDD的持久化或缓存选项是通过persist()或cache()发出的，之后如果某个操作（Action）触发该RDD的数据第一次被计算，那么计算的结果数据（也就是该RDD的数据）就会以分区的形式被缓存于计算节点的内存中；而且这些数据是可以实现容错的，如果这个RDD的某些分区数据丢失（因为节点故障），这些分区的数据可以在使用时通过世代信息（Lineage）被自动恢复
• RDD的存储形式或存储介质是可以通过存储级别（Storage Level）被定义的。例如，将数据持久化到磁盘、将Java对象序列化之后（有利于节省空间）缓存至内存、开启复制（RDD的分区数据可以被备份到多个节点防止丢失）或者使用堆外内存（Tachyon）。persist()可以接收一个StorageLevel对象（Scala、Java、Python）用以定义存储级别，如果使用的是默认的存储级别（StorageLevel.MEMORY_ONLY)，Spark提供了一个便利方法：cache()

具体级别如下图

可以通过如下命令更改级别

dataset1=dataset.persist(StorageLevel.MEMORY_ONLY)
dataset2=dataset.persist(StorageLevel.MEMORY_AND_DISK)
dataset3=dataset.persist(StorageLevel.MEMORY_ONLY_SER)
dataset4=dataset.persist(StorageLevel.MEMORY_AND_DISK_SER)
dataset5=dataset.persist(StorageLevel.DISK_ONLY)

解释

1. 默认选项，RDD的（分区）数据直接以Java对象的形式存储于JVM的内存中，如果内存空间不足，某些分区的数据将不会被缓存，需要在使用的时候根据世代信息重新计算
2. RDD的数据直接以Java对象的形式存储于JVM的内存中，如果内存空间不中，某些分区的数据会被存储至磁盘，使用的时候从磁盘读取
3. RDD的数据（Java对象）序列化之后存储于JVM的内存中（一个分区的数据为内存中的一个字节数组），相比于MEMORY_ONLY能够有效节约内存空间（特别是使用一个快速序列化工具的情况下），但读取数据时需要更多的CPU开销；如果内存空间不足，处理方式与MEMORY_ONLY相同
4. 相比于MEMORY_ONLY_SER，在内存空间不足的情况下，将序列化之后的数据存储于磁盘
5. 仅仅使用磁盘存储RDD的数据（未经序列化）
   对应上面dataset12345

Shell方式操作RDD

count()返回RDD里元素数目

lines=sc.textFile('xxx.txt')
lines.count()

countByValue()各RDD元素在RDD中出现的次数

val = sc.parallelize([12,2,6,2,12,2])
myCount=val.countByValue()
print(myCount)

#输出结果如下
defaultdict(<class 'int'>,{2: 3, 12: 2, 6: 1})

RDD取值操作

函数	作用
take(n)	返回n个元素
top(n)	返回前n个元素
first()	返回第一个元素
clooect()	返回所有元素
foreach(func)	迭代所有元素进行函数操作
takeSample(withReplacement,num,[seed])	随机取出num个元素
reduceByKey(func)	在每一键组内进行汇总变换
groupByKey()	将值放到每一相同键组内
mapValues(func)	对每一对RDD键值进行函数func值变换二不改变键
sortByKey()	得到以键排序的RDD