标签：Spark 算子 RDD
==> RDD是什么?---> RDD(Resilient Distributed Dataset) 弹性分布式数据集 ， 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
---> 特点：
---- 自动容错
---- 位置感知性高度
---- 可伸缩性
---- 允许用户在执行多个查询时显示的将工作集缓存在内存中，后续的查询能够重用工作集，极大的提升了查询速度
---> RDD 的属性
---- A list of partitions
| 一个组分片，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 |
---- A function for computing each split
| 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 |
---- A list of dependencies on other RDDs
| RDD 之间的依赖关系 |
| RDD 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 |
---- Optionally, a Partitioner for key-value RDDs(e.g. to say that the RDD is hash-partitioned)
| 一个 Partitioner, 即 RDD的分片函数 |
| 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 RangePartitioner， 只有对于 key-value 的 RDD， 才会有 Partitioner， 非 key-value的 RDD的 Partitioner的值是None， Partitioner函数不但决定 了 RDD 本身的分片数量，也决定了 parents RDD Shuffle 输出时的分片数量 |
---- Optionally, a list of preferred locations to compute each split on (e.g. block locations for an HDFS file )
| 一个列表，存储存取每个 Partion 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，会尽可能的将计算任务分配到其所要处理数据块的存储位置 |
==> RDD 的创建方式
---> 通过外部的数据文件创建 （HDFS）
val rdd1 = sc.textFile("hdfs://192.168.10.210:9000/data/data.txt")---> 通过 sc.parallelize 进行创建
val rdd2 = sc.parallelize(Array(1,2,3,4,5,6))
==> RDD的基本原理
---> 创建一个 RDD：
// 3代表分三个分区 val rdd1 = sc.parallelize(Array(1,2,3,4,5,6,7,8), 3)
---> 一个分区运行在一个Worker 节点上， 一个 Worker 上可以运行多个分区
==> RDD 的类型
---> Trasformation
| RDD 中的所有转换都是延迟加载的，即，不会返回计算结果，只记住这些应用到基础数据集（如，一个文件，一个列表等）上的转换动作，只有当发生一个要求返回结果给 Driver 时，这些转换才会执行（个人理解，与 Scala 中的 lazy (懒值)比较相似） |
| 转换 | 含义 |
| map(func) | 返回一个新的 RDD，该 RDD 由每一个输入元素经过 func 函数转换后组成 |
| filter(func) | 返回一个新的RDD，该 RDD 由经过 func 函数计算后返回值为 true 的输入元素组成 |
| flatMap(func) | 类似于 map ，但是每个输入元素可以被映射为 0 或多个输出元素（返回一个序列） |
| mapPartitions(func) | 类似于 map， 但是独立的在RDD 的每一个分片上运行，因此在类型为T 的 RDD 上运行时，func 的函数类型必须 是Iterator[T] => Iterator[U] |
| mapPartitionsWithIndex(func) | 类似于 mapPartitions，但 func 带有一个整数参数表示分片的索引值，因此在类型为T 的 RDD 上运行时， func 的函数类型必须是(Int, Interator[T])= > Iterator[U] |
| sample(withReplacement, fraction, seed) | 根据 fraction 指定的比例对数据进行采样， 可以选择是否使用随机数进行替换， seed 用于指定随机数生成器种子 |
| union(otherDataset) | 对源RDD 和 参数 RDD求并集后返回一个新的RDD |
| intersection(otherDataset) | 对源RDD 和参数 RDD 求交集后返回一个新的RDD |
| distinct([numTasks]) | 对源RDD 去重后返回一个新的RDD |
| groupByKey([numTasks]) | 在 (k, v) 的RDD 上调用，返回一个(K, iterator[V]) 的 RDD |
| reduceByKey(func, [numTasks]) | 在(k, v) 的RDD上调用，返回一个(k, v) 的 RDD， 使用指定的reduce函数，将相同key 的值聚合到一起，与 groupByKey 类似，reduce 任务的个数可以通过第二个可选的参数来设置 |
| aggregateByKey(zeroValue)(seqOp, combOp, [numTasks]) | |
| sortByKey([ascending], [numTasks]) | 在一个(k, v)上调用，k 必须实现 Ordered 接口，返回一个按照 key 进行排序的(k, v) 的RDD |
| sortBy(func, [ascending], [numTasks]) | 与 sortByKey 类似，但是更灵活 |
| join(otherDataset, [numTasks]) | 在类型为(k, v)和(k, w) 的RDD 上调用，返回一个相同key 对应的所有元素堆在一起的(k, (v, w)) 的 RDD |
| cogroup(otherDataset, [numTasks]) | 在类型为(k, v)和(k, w)的 RDD 上调用 ，返回一个(k, (Iterable<v>, Iterable<w>)) 类型的 RDD |
| cartesian(otherDataset) | 笛卡尔积 |
| pipe(command, [envVars]) | |
| coalesce(numPartitions) | |
| repartitionAndSortWithinPartitions(partitions) |
---> Action
| reduce(fun) | 通过 func 函数聚集RDD中的所有元素，这个功能必须是可交换且可并联的 |
| collect() | 在驱动程序中，以数组的形式返回数据集的所有元素 |
| count() | 返回元素个数 |
| first() | 反回 RDD 的第一个元素（类似于 take(1)） |
| take(n) | 返回一个由数据集的前 n 个元素组成的数组 |
| takeSample(withReplacement, num, [seed]) | 返回一个数组，该 数组由从数据集中随机采样的num 个元素组成，可以选择是否用随机数替换不足的部分， seed用于指定随机数生成器种子 |
| takeOrdered(n, [ordering]) | |
| saveAsTextFile(path) | 将数据集的元素以 textfile 的形式保存到HDFS文件系统或者其它支持的文件系统，对每个元素，Spark 将会调用 toString 方法将它转换为文件中的文本 |
| saveAsSequenceFile(path) | 将数据集中的元素以 Hadoop sequencefile 的格式 保存到指定的目录下，可以使HDFS 或者其它 Hadoop 支持的文件系统 |
| saveAsObjectFile(path) | |
| countByKey() | 针对(k, v ) 类型的RDD， 返回一个(k, Int) 的 map， 表示每一个key 对应的元素个数 |
| foreach(func) | 在数据集的每一个元素上运行函数 func 进行更新 |
==> RDD 的缓存机制
---> 作用：缓存有可能丢失，或由于存储于内存中的数据由于内存不足而被删除，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
---> 实现原理：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， 不用全部重新计算
---> 运行方式：RDD通过 persist方法或 cache方法可以将前面的计算结果缓存，但并不会调用时便立缓存，而是触发后面的action 时，此RDD会被缓存到计算机内存中，供后面重用
---> 通过查看源码可以发现，cache 最终调用的也是 parsist
def persist():this.type = persist(StorageLevel.MEMORY_ONLY) def cache():this.type = persist()
---> 缓存使用：
val rdd1 = sc.textFile("hdfs://192.168.10.210:9000/data/data.txt")
rdd1.count // 没有缓存，直接执行
rdd1.cache
rdd1.count // 第一次执行会慢一些
rdd1.count // 第二次会很快---> 存储级别在 object StorageLevel 中定义
object StorageLevel{
val NONE = new StorageLevel(false, false, false, false)
val DISK_ONLY = new StorageLevel(true, false, false, false)
val DISK_ONLY_2 = new StorageLevel(true, false, false, false)
val MEMORY_ONLY = new StorageLevel(false, true, false, true)
val MEMORY_ONLY_2 = new StorageLevel(false, true, false, true)
val MEMORY_ONLY_SET = new StorageLevel(false, true, false, false)
val MEMORY_ONLY_SET_2 = new StorageLevel(false, true, false, false)
val MEMORY_AND_DISK = new StorageLevel(true, true, false, true)
val MEMORY_AND_DISK_2 = new StorageLevel(true, true, false, true)
val MEMORY_AND_DISK_SET = new StorageLevel(true, true, false, false)
val MEMORY_ADN_DISK_SET_2 = new StorageLevel(true, true, false, false)
val OFF_HEAP = new StorageLevel = new StorageLevel(true, true, true, false)
}==> RDD的 Checkpoint（检查点）机制： 容错机制
---> 检查点本质是通过将 RDD 写入 Disk 做检查点
---> 作用： 通过做 lineage 做容错的辅助
---> 运行机制： 在RDD 的中间阶段做检查点容错，之后如果有节点出现问题而丢失分区，从做检查点的 RDD 开始重新做 Lineage，以达到减少开销的目的
---> 设置检查点的方式： 本地目录， HDFS
---- 本地目录(需要将 spark-shell 运行在本地模式上)
// 设置检查点目录
sc.setCheckpointDir("/data/checkpoint")
// 创建一个RDD
val rdd1 = sc.textFile("hdfs://192.168.10.210:9000/data/data.txt")
// 设置检查点
rdd1.checkpoint
// 执行，触发 Action ，会在检查点目录生成检查点
rdd1.count---- HDFS（需要将 Spark-shell 运行在集群模式上）
// 设置检查点目录
sc.setCheckpointDir("hdfs://192.168.10.210:9000/data/checkpoint")
// 创建一个RDD
val rdd1 = sc.textFile("hdfs://192.168.10.210:9000/data/data.txt")
// 设置检查点
rdd1.checkpoint
// 执行，触发 Action ，会在检查点目录生成检查点
rdd1.count==> RDD 的依赖关系 和 Spark 任务中的 Stage
---> RDD 依赖关系 RDD和它的父 RDD（s）的关系有两种不同的类型
---- 窄依赖 每个 父 RDD 的 partition 只能被子 RDD 的一个 partition 使用 一个子RDD
---- 宽依赖 多个子RDD 的 partition 会依赖同一个父 RDD 多个子RDD
---> Stage 划分Stage 的依据是:宽依赖
标签：Spark 算子 RDD
原文地址：http://blog.51cto.com/songqinglong/2074380
