Spark技术系列（二）：深入理解RDD编程模型——从原理到生产实践

Spark技术系列（二）：深入理解RDD编程模型——从原理到生产实践

1. RDD设计哲学与核心定位

1.1 为什么需要RDD？

• MapReduce的缺陷：固定Map/Reduce阶段、中间数据频繁落盘、难以处理迭代计算
• RDD（Resilient Distributed Datasets）核心价值：
  • 内存计算：中间结果缓存至内存，减少磁盘IO
  • 弹性容错：通过血统（Lineage）重建丢失分区
  • 并行处理：自动划分数据分片，分布式执行计算

1.2 核心设计原则

// RDD抽象类定义（源码级解析）
abstract class RDD[T](
    @transient private var _sc: SparkContext,
    @transient private var deps: Seq[Dependency[_]]
) extends Serializable with Logging {
   
   
  // 关键方法定义
  def compute(split: Partition, context: TaskContext): Iterator[T]
  protected def getPartitions: Array[Partition]
  protected def getDependencies: Seq[Dependency[_]] = deps
  // ...其他关键属性和方法
}

• 不可变性（Immutable）：每次转换生成新RDD，保障血统清晰
• 延迟执行（Lazy Evaluation）：行动操作触发DAG构建与任务执行
• 分区感知（Partitioning）：数据物理分布与计算并行度强关联

2. RDD五大核心特性深度解析

2.1 分区列表（Partitions）

• 物理存储单元：每个分区对应一个Task处理的数据块
• 分区策略示例：

  # 创建RDD时指定分区数
  rdd = sc.parallelize(data, numSlices=8)
  # 通过repartition动态调整
  rdd = rdd.repartition(16)
  

• 分区器（Partitioner）：
  • HashPartitioner（默认）
  • RangePartitioner（有序数据集优化）

2.2 计算函数（Compute Function）

• 每个分区的计算逻辑封装为闭包
• 闭包序列化验证（常见问题排查）：

  class CustomProcessor extends Serializable {
       
       
    def process(record: String): String = {
       
        ... }
  }
  val processor = new CustomProcessor
  rdd.map(processor.process)  // 需要确保processor可序列化
  

2.3 依赖关系（Dependencies）

窄依赖 vs 宽依赖