RDD算子操作

最新推荐文章于 2024-08-17 12:57:15 发布

原创最新推荐文章于 2024-08-17 12:57:15 发布 · 3.3k 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#算子 #懒加载

spark 专栏收录该内容

5 篇文章

订阅专栏

1、RDD定义

RDD（Resilient Distributed Dataset）叫做分布式数据集，是Spark中最基本的数据抽象，它代表一个不可变、可分区、里面的元素可并行计算的集合。RDD具有数据流模型的特点：自动容错、位置感知性调度和可伸缩性。RDD允许用户在执行多个查询时显式地将工作集缓存在内存中，后续的查询能够重用工作集，这极大地提升了查询速度。

2、RDD的属性

在这里插入图片描述
1）一组分片（Partition），即数据集的基本组成单位。对于RDD来说，每个分片都会被一个计算任务处理，并决定并行计算的粒度。用户可以在创建RDD时指定RDD的分片个数，如果没有指定，那么就会采用默认值。默认值就是程序所分配到的CPU Core的数目。
2）一个计算每个分区的函数。Spark中RDD的计算是以分片为单位的，每个RDD都会实现compute函数以达到这个目的。compute函数会对迭代器进行复合，不需要保存每次计算的结果。
3）RDD之间的依赖关系。RDD的每次转换都会生成一个新的RDD，所以RDD之间就会形成类似于流水线一样的前后依赖关系。在部分分区数据丢失时，Spark可以通过这个依赖关系重新计算丢失的分区数据，而不是对RDD的所有分区进行重新计算。
4）一个Partitioner，即RDD的分片函数。当前Spark中实现了两种类型的分片函数，一个是基于哈希的HashPartitioner，另外一个是基于范围的RangePartitioner。只有对于于key-value的RDD，才会有Partitioner，非key-value的RDD的Parititioner的值是None。Partitioner函数不但决定了RDD本身的分片数量，也决定了parent RDD Shuffle输出时的分片数量。
5）一个列表，存储存取每个Partition的优先位置（preferred location）。对于一个HDFS文件来说，这个列表保存的就是每个Partition所在的块的位置。按照“移动数据不如移动计算”的理念，Spark在进行任务调度的时候，会尽可能地将计算任务分配到其所要处理数据块的存储位置。

3、RDD创建的方式

1）通过一个已经存在的Scala集合创建

val rdd1 = sc.parallelize(Array(1,2,3,4,5,6,7,8))

2）通过外部存储系统的数据集创建，如：本地的文件系统，Hadoop支持的数据集，比如HDFS、Cassandra、HBase等

val rdd2 = sc.textFile("hdfs://localhost:9000/words.txt")

4、RDD的两种操作类型
转换（transformations），它将根据原有的RDD创建一个新的RDD；
行动（actions），对RDD操作后把结果返回给driver。
例如：

sc.textFile("hdfs://localhost:9000/words.txt").flatMap(_.split(" "))
.map((_,1)).reduceByKey(_+_).saveAsTextFile("hdfs://localhost:9000/out")

map是一个转换，它把数据集中的每个元素经过一个方法处理后返回一个新的RDD；而reduce则是一个action，它收集RDD的所有数据后经过一些方法的处理，最后把结果返回给driver。
RDD的所有transformations操作都是lazy模式，即Spark不会立刻计算结果，而只是简单的记住对数据集的转换操作。这些transformations只有遇到action操作的时候才会开始计算。这样的设计使得Spark更加的高效，因为Spark可以完整地查看DAG之后做出许多优化决策，比如可以复用之前的RDD中间结果。
常用的Transformation：
在这里插入图片描述

常用的Action:
在这里插入图片描述

6、RDD的缓存
Spark速度非常快的原因之一，就是在不同操作中可以在内存中持久化或缓存整个数据集。当持久化某个RDD后，每一个节点都将把计算的分片结果保存在内存中，并在对此RDD或衍生出的RDD进行的其他actions中重用。这使得后续的动作变得更加迅速。RDD相关的持久化和缓存，是Spark最重要的特征之一。可以说，缓存是Spark构建迭代式算法和快速交互式查询的关键。
缓存方式：
RDD通过persist方法或cache方法可以将前面的计算结果缓存，但是并不是这两个方法被调用时立即缓存，而是触发后面的action时，该RDD将会被缓存在计算节点的内存中，并供后面重用。
Spark的存储级别还有好多种，存储级别在object StorageLevel中定义的。
在这里插入图片描述
缓存有可能丢失，或者存储存储于内存的数据由于内存不足而被删除，RDD的缓存容错机制保证了即使缓存丢失也能保证计算的正确执行。通过基于RDD的一系列转换，丢失的数据会被重算，由于RDD的各个Partition是相对独立的，因此只需要计算丢失的部分即可，并不需要重算全部Partition。
缓存使用：

import org.apache.spark.storage.StorageLevel
val rdd1 = sc.textFile("hdfs://localhost:9000/words.txt ").persist(StorageLevel.MEMORY_ONLY)
val rdd2 = rdd1.map(x=>x+1).collect()

或者：val rdd1 = sc.textFile("hdfs://localhost:9000/words.txt ").cache()
释放缓存机制：rdd1.unpersist(true)