1、有一个分片列表,能够被切分,就是和Hadoop一样,能被切分的数据才能并行操作。
2、有一个函数计算每一个分片,compute函数。
3、对其他的RDD的依赖列表,依赖又分为宽依赖和窄依赖,但不是所有的RDD都有依赖。
4、可选,key-value型的RDD是根据哈希来分区的,类似于mapreduce的Paritioner接口,控制key分配到哪个reduce.
5、可选:每一个分片的优先计算位置(preferred locations),比如HDFS的block的所在位置应该是优先计算的位置。
对应着上面这几点,我们在RDD里面能找到这4个方法和1个属性,别着急,下面我们会慢慢展开说这5个东东。
//只计算一次
protected def getPartitions: Array[Partition]
//对一个分片进行计算,得出一个可遍历的结果
def compute(split: Partition, context: TaskContext): Iterator[T]
//只计算一次,计算RDD对父RDD的依赖
protected def getDependencies: Seq[Dependency[_]] = deps
//可选的,分区的方法,针对第4点,类似于mapreduce当中的Paritioner接口,控制key分到哪个reduce
@transient val partitioner: Option[Partitioner] = None
//可选的,指定优先位置,输入参数是split分片,输出结果是一组优先的节点位置
protected def getPreferredLocations(split: Partition): Seq[String] = Nil