大白话讲解Spark中的RDD

资料中：

Spark 中最基本的数据抽象是 RDD。

RDD：弹性分布式数据集 (Resilient Distributed DataSet)。

RDD的三个特性：分区，不可变，并行操作。

• RDD 是 Spark 的最基本抽象,是对分布式内存的抽象使用,实现了以操作本地集合的方式
来 操作分布式数据集的抽象实现
• RDD 是 Spark 最核心的东西,它表示已被分区,不可变的并能 够被并行操作的数据集合,
不同的数据集格式对应不同的 RDD 实现
RDD特点：
• RDD 必须是可序列化的
• 只读:状态不可变,不能修改
• 分区:支持元素根据 Key 来分区( Partitioning ) ,保存到多个结点上
• RDD 需要从其他数据集变换而来
• RDD 包含转换与Action操作
• 对于不同的系统RDD不同，如HadoopRDD，JDBCRDD…

一脸懵逼 有没有？

在学习spark中的知识点的时候，发现总是经常把dataframe或者dataset转化成RDD，就很奇怪为什么要做这方面的转化，RDD又是何方神圣呢？
如果你熟悉数据库，那么RDD从表现形式上讲最类似于数据库的视图（View)
去除这个RDD在物理结构上的特色，单从逻辑上的表现来说，他就是一个数据集合。
什么是数据集合？

可以理解为Java中的一个list，或者是数据库里的一张表（或者视图）等等。
既然是一张表，我们可以理解Spark对RDD的操作，其实类似于SQL里面对表的一些操作。
在最开始的时候我说RDD最类似数据库的视图，那为什么是视图而不是表呢？

这就要说说RDD里面的这个R（弹性），什么叫弹性呢？

就是一个RDD的数据并不一定是物理上真是存在的，注意是不一定，就像数据库里的视图（view），只有你在query的时候他才会真正计算出这些数据。RDD里的数据也一样，

比如一张全是大写地名的表-- {S: SHANGHAI, BEIJING, ...}，可能在RDD里是这样一种形式 {S = S1:{Shanghai, BEIJing, ...}. toUPPERcase }.

前面提到的两个数集合在物理上的内容其实是不一样的，但是你能看到的两个集合是一样的。在Spark里面，类似于toUPPERcase 这样的操作我们叫算子。好了，这样你就理解了这个R，也是RDD最难懂的一个地方。再说说中间的那个D（分布式），这个很好理解，就是一个数据集分别放在几个机器上，而RDD只要存储这些数据的元信息（如那一片在哪个机器上）即可。

不过这样解释似乎缺了些什么，就是为什么RDD要如此麻烦呢？

这里我说最明显的两个亮点。

1，容错：

比如你有一个表，里面是一个公司12个月的平均销售额，存储在12个机器上，突然存储8月数据的机器坏了，那么你通常选择的做法是把整一年的销售资料拿出来，再以月份分组，再把8月的算出来，存在一个好的机器里。而RDD存储8月的数据可能就是（select avg（sales）from t where month = 8） ，在你需要的时侯，如果发现8月数据不在了，可以自动从原数据里把这个数据恢复出来。（这个例子并不是特别真实，只不过很简单的帮你理解容错这个特性）。

2，是执行效率优化。假设有这么一个情况，有一个数据表，先把里面的数据都+1，再-1，再+1，再-1. 这样显然数据应该都是不变的。如果你每次都把这个数据表都算出来，这样就要执行4次O(n）效率的查找。然而用RDD的思路，{S'} = {S}+1-1+1-1 => {S'} = {s} + 0, 这样就大大提高了效率。(同样这个例子很弱智，但是能帮助你理解RDD为什么要用数据+算子的形式去描述一个数据集).

若要深入了解还需要结合Spark的运行机制，Hadoop的HDFS，Scala的语法共同来理解RDD这样东西

 

总结：RDD就是一个虚拟的、分区的、可并行操作的具有容错率高，执行优化效率高的数据集。