RDD簡介

RDD(Resilient Distributed Dataset)叫做分布式數據集，是Spark中最基本的數據抽象，它代表一個不可變、可分區(qū)、里面的元素可并行計算的集合。RDD是一個類

RDD的屬性

1.一個列表，存儲存取每個Partition的優(yōu)先位置(preferred location)。對于一個HDFS文件來說，這個列表保存的就是每個Partition所在的塊的位置。按照“移動數據不如移動計算”的理念，Spark在進行任務調度的時候，會盡可能地將計算任務分配到其所要處理數據塊的存儲位置。

2.保存了計算每個分區(qū)的函數，這個計算方法會應用到每一個數據塊上,Spark中RDD的計算是以分片為單位的，每個RDD都會實現compute函數以達到這個目的。compute函數會對迭代器進行復合，不需要保存每次計算的結果。

3.RDD之間的依賴關系。RDD的每次轉換都會生成一個新的RDD，所以RDD之間就會形成類似于流水線一樣的前后依賴關系。在部分分區(qū)數據丟失時，Spark可以通過這個依賴關系重新計算丟失的分區(qū)數據，而不是對RDD的所有分區(qū)進行重新計算。

4.RDD的分片函數(Partitioner)，一個是基于哈希的HashPartitioner，另外一個是基于范圍的RangePartitioner。只有對于于key-value的RDD，才會有Partitioner，非key-value的RDD的Parititioner的值是None。Partitioner函數不但決定了RDD本身的分片數量，也決定了parent RDD Shuffle輸出時的分片數量。

5.一組分片(Partition)，即數據集的基本組成單位。對于RDD來說，每個分片都會被一個計算任務處理，并決定并行計算的粒度。用戶可以在創(chuàng)建RDD時指定RDD的分片個數，如果沒有指定，那么就會采用默認值。默認值就是程序所分配到的CPU Core的數目。

如何創(chuàng)建RDD

1.通過序列化集合的方式創(chuàng)建RDD(parallelize，makeRDD)

2.通過讀取外部的數據源(testFile)

3.通過其他的rdd做transformation操作轉換成行的RDD

RDD的兩種算子：

1.Transformation

• map(func) :返回一個新的分布式數據集，由每個原元素經過func函數轉換后組成
• filter(func) : 返回一個新的數據集，由經過func函數后返回值為true的原元素組成
• flatMap(func) : 類似于map，但是每一個輸入元素，會被映射為0到多個輸出元素(因此，func函數的返回值是一個Seq，而不是單一元素)
• flatMap(func) : 類似于map，但是每一個輸入元素，會被映射為0到多個輸出元素(因此，func函數的返回值是一個Seq，而不是單一元素)
• sample(withReplacement, frac, seed) :
• 根據fraction指定的比例對數據進行采樣，可以選擇是否使用隨機數進行替換，seed用于指定隨機數生成器種子
• union(otherDataset) : 返回一個新的數據集，由原數據集和參數聯(lián)合而成
• reduceByKey(func, [numTasks]) : 在一個(K，V)對的數據集上使用，返回一個(K，V)對的數據集，key相同的值，都被使用指定的reduce函數聚合到一起。和groupbykey類似，任務的個數是可以通過第二個可選參數來配置的。
• join(otherDataset, [numTasks]) :
• 在類型為(K,V)和(K,W)類型的數據集上調用，返回一個(K,(V,W))對，每個key中的所有元素都在一起的數據集
• groupWith(otherDataset, [numTasks]) : 在類型為(K,V)和(K,W)類型的數據集上調用，返回一個數據集，組成元素為(K, Seq[V], Seq[W]) Tuples。這個操作在其它框架，稱為CoGroup
• cartesian(otherDataset) : 笛卡爾積。但在數據集T和U上調用時，返回一個(T，U)對的數據集，所有元素交互進行笛卡爾積。
• intersection(otherDataset):對源RDD和參數RDD求交集后返回一個新的RDD
• distinct([numTasks])) 對源RDD進行去重后返回一個新的RDD
• groupByKey([numTasks]) 在一個(K,V)的RDD上調用，返回一個(K, Iterator[V])的RDD
• reduceByKey(func, [numTasks]) 在一個(K,V)的RDD上調用，返回一個(K,V)的RDD，使用指定的reduce函數，將相同key的值聚合到一起，與groupByKey類似，reduce任務的個數可以通過第二個可選的參數來設置
• aggregateByKey(zeroValue)(seqOp, combOp, [numTasks])
• sortByKey([ascending], [numTasks]) 在一個(K,V)的RDD上調用，K必須實現Ordered接口，返回一個按照key進行排序的(K,V)的RDD
• sortBy(func,[ascending], [numTasks]) 與sortByKey類似，但是更靈活
• join(otherDataset, [numTasks]) 在類型為(K,V)和(K,W)的RDD上調用，返回一個相同key對應的所有元素對在一起的(K,(V,W))的RDD
• cogroup(otherDataset, [numTasks]) 在類型為(K,V)和(K,W)的RDD上調用，返回一個(K,(Iterable

2.Action

• reduce(func) 通過func函數聚集RDD中的所有元素，這個功能必須是課交換且可并聯(lián)的
• collect() 在驅動程序中，以數組的形式返回數據集的所有元素
• count() 返回RDD的元素個數
• first() 返回RDD的***個元素(類似于take(1))
• take(n) 返回一個由數據集的前n個元素組成的數組
• takeSample(withReplacement,num, [seed]) 返回一個數組，該數組由從數據集中隨機采樣的num個元素組成，可以選擇是否用隨機數替換不足的部分，seed用于指定隨機數生成器種子
• takeOrdered(n, [ordering])
• saveAsTextFile(path) 將數據集的元素以textfile的形式保存到HDFS文件系統(tǒng)或者其他支持的文件系統(tǒng)，對于每個元素，Spark將會調用toString方法，將它裝換為文件中的文本
• saveAsSequenceFile(path) 將數據集中的元素以Hadoop sequencefile的格式保存到指定的目錄下，可以使HDFS或者其他Hadoop支持的文件系統(tǒng)。
• saveAsObjectFile(path)
• countByKey() 針對(K,V)類型的RDD，返回一個(K,Int)的map，表示每一個key對應的元素個數。
• foreach(func) 在數據集的每一個元素上，運行函數func進行更新。

RDD的依賴關系

1.窄依賴

窄依賴指的是每一個父RDD的Partition最多被子RDD的一個Partition使用

總結：窄依賴我們形象的比喻為獨生子女

2.寬依賴

寬依賴指的是多個子RDD的Partition會依賴同一個父RDD的Partition

總結：窄依賴我們形象的比喻為超生

3.Lineage(血統(tǒng))

RDD只支持粗粒度轉換，即在大量記錄上執(zhí)行的單個操作。將創(chuàng)建RDD的一系列Lineage(即血統(tǒng))記錄下來，以便恢復丟失的分區(qū)。RDD的Lineage會記錄RDD的元數據信息和轉換行為，當該RDD的部分分區(qū)數據丟失時，它可以根據這些信息來重新運算和恢復丟失的數據分區(qū)。

DAG的生成

DAG(Directed Acyclic Graph)叫做有向無環(huán)圖，原始的RDD通過一系列的轉換就就形成了DAG，根據RDD之間的依賴關系的不同將DAG劃分成不同的Stage，對于窄依賴，partition的轉換處理在Stage中完成計算。對于寬依賴，由于有Shuffle的存在，只能在parent RDD處理完成后，才能開始接下來的計算，因此寬依賴是劃分Stage的依據。

RDD的緩存

Spark速度非常快的原因之一，就是在不同操作中可以在內存中持久化或緩存?zhèn)€數據集。當持久化某個RDD后，每一個節(jié)點都將把計算的分片結果保存在內存中，并在對此RDD或衍生出的RDD進行的其他動作中重用。這使得后續(xù)的動作變得更加迅速。RDD相關的持久化和緩存，是Spark最重要的特征之一。可以說，緩存是Spark構建迭代式算法和快速交互式查詢的關鍵。

找依賴關系劃分stage的目的之一就是劃分緩存， 如何通過stage的劃分設置緩存?

(1)在窄依賴想設置緩存時用cache

(2)在寬依賴想設置緩存時用checkpoint

如何設置cache和checkpoint?

cache：someRDD.cache()就添加成功緩存，放入到內存中

someRDD.persist(StorageLevel.MEMORY_AND_DISK)：根據自己的需要設置緩存的位置(內存和硬盤)

checkpoint：可以把RDD計算后的數據存儲在本地磁盤上，也可以是hdfs

sc.setCheckpointDIr("hdfs://hadoop1:9000/checkpoint")設置checkpoint的路徑 在寬依賴前設置

someRDD.checkpoint()設置checkpoint

cache 和checkpoint的區(qū)別

cache只是緩存數據，不改變RDD的依賴關系，checkpoint生成了一個新的RDD，后面的RDD將依賴新的RDD依賴關系已經改變 。數據恢復的順序：checkpoint ---》cache--》重算