RDD初探 RDD（resilient distributed dataset ）是Spark提出的一個創(chuàng)新性的概念，它提供了并行計算個階段中數(shù)據(jù)的有效共享，彌補了MapReduce中的不足。與MapReduce單乏的Map和Reduce相比，在RDD上，Spark提供了豐富的操作，可以讓程序開發(fā)人員利用RDD接口非常容易的編寫出復(fù)雜的數(shù)據(jù)處理程序，先見見Spark版本的WordCount程序： 僅僅兩行代碼，相比MapReduce，是不是簡潔了很多？ 官網(wǎng)RDD的定義： Spark revolves around the concept of a resilient distributed dataset (RDD), which is a fault-tolerant collection of elements that can be operated on in parallel. There are two ways to create RDDs: parallelizing an existing collection in your driver program, or referencing a dataset in an external storage system, such as a shared filesystem, HDFS, HBase, or any data source offering a Hadoop InputFormat. RDD的特性： 1.分區(qū)的數(shù)據(jù)集 2.只讀的數(shù)據(jù)集 3.只能從driver程序中已有的集合或外部存儲進(jìn)行創(chuàng)建 4.容錯的，失敗自動的快速重建 分區(qū) 分區(qū)，RDD是一個分區(qū)的數(shù)據(jù)集，其分區(qū)的多少決定著對這個RDD進(jìn)行并行計算的粒度，在Spark中，每一個分區(qū)的計算在一個單獨的任務(wù)中執(zhí)行。對RDD的分區(qū)而言，用戶可以指定其分區(qū)的數(shù)目；如果沒有，系統(tǒng)將會使用默認(rèn)值，默認(rèn)情況下，其分區(qū)數(shù)為這個程序所分配到的資源的CPU核的數(shù)目；如， 指定分區(qū)數(shù): 默認(rèn)分區(qū)數(shù)： 位置優(yōu)先 在Spark中，秉性著這么一種思想，“移動數(shù)據(jù)不如移動計算”，在Spark任務(wù)調(diào)度的時候，總是盡可能的將任務(wù)分配到數(shù)據(jù)塊存儲的位置。如，對HDFS文件生成的RDD，preferredLocation接口返回其每塊數(shù)據(jù)所在的機器名或IP，在后續(xù)的任務(wù)調(diào)度中，調(diào)度器將盡可能的將計算任務(wù)分配到數(shù)據(jù)存儲的位置，如： RDD依賴關(guān)系 可以說，RDD依賴關(guān)系是Spark任務(wù)調(diào)度最根本的依據(jù)。 在RDD的轉(zhuǎn)換過程中，每次轉(zhuǎn)換都會生成一個新的RDD，在用戶程序中，對于某個RDD往往會有一系列的復(fù)雜的轉(zhuǎn)換，這樣，就形成了一條類似流水線樣的前后依賴關(guān)系。 在Spark中，存在兩種類型的依賴，即窄依賴和寬依賴； ?窄依賴：父RDD的每一個分區(qū)只被子RDD的一個分區(qū)所使用，如：map、filter等； ?寬依賴：父RDD的每一個分區(qū)只被子RDD的多個分區(qū)所使用，如：groupbyKey等； 區(qū)分兩種依賴的原因： 1.窄依賴可以在集群的一個節(jié)點上如流水一般的執(zhí)行，無需物化很多無用的中間RDD，大大提升了計算性能； 2.窄依賴對于節(jié)點計算失敗后的恢復(fù)會更加有效，只要重新計算其對應(yīng)父RDD的相應(yīng)分區(qū)即可； RDD操作 RDD支持兩種操作 ?Transformations：從一個已存的RDD生成一個新的RDD，如map操作 ?Action：執(zhí)行一次計算并將相應(yīng)的計算結(jié)果返回值driver程序，如reduce 在Spark中，所有的Transformation都是惰性的，他們只會記錄其相應(yīng)的依賴關(guān)系，而不會馬上計算其結(jié)果，只有在action要求計算結(jié)果時才會實際計算RDD的值。 Spark提供了豐富的RDD操作，詳細(xì)參考 http://spark.apache.org/docs/latest/api/scala/index.html#org.apache.spark.rdd.RDD RDD的持久化 在Spark中，還有一個最重要的特性就是RDD的持久化。當(dāng)你對一個RDD進(jìn)行持久化操作時，spark會將該RDD的每個分區(qū)的第一次計算結(jié)果保存在相應(yīng)的存儲介質(zhì)中。之后對該RDD的訪問可以直接訪問其存儲的結(jié)果，這樣我們可以將一些訪問比較頻繁的RDD進(jìn)行持久化到內(nèi)存中來，加快程序的處理時間（官網(wǎng)提供的數(shù)據(jù)時通常會加快速度10倍以上） RDD的持久化通過persist() 和 cache() 方法實現(xiàn)；