Spark ---RDD

RDD的弹性表现:

1、弹性之一：自动的进行内存和磁盘数据存储的切换； 
2、弹性之二：基于Lineage的高效容错（第n个节点出错，会从第n-1个节点恢复，血统容错）； 

　　Lineage由spark的依赖关系确定。
3、弹性之三：Task如果失败会自动进行特定次数的重试（默认4次）； 
4、弹性之四：Stage如果失败会自动进行特定次数的重试（可以只运行计算失败的阶段）；只计算失败的数据分片； 
5、checkpoint和persist 
6、数据调度弹性：DAG TASK 和资源 管理无关 
7、数据分片的高度弹性(人工自由设置分片函数),repartition 

RDD容错：

1.checkpoint（本质将RDD写入disk进行做检查点）

　　checkpoint是为了lineage做辅助，血统过长会造成容错成本过高，这样的话就不如去中间做先checkpoint然后血统从checkpoint开始算起

2.记录更新

RDD的5大特点

     1）有一个分片列表，就是能被切分，和Hadoop一样，能够切分的数据才能并行计算。

　　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。每个分配的存储是由BlockManager实现的，每个分区都会被逻辑映射成BlockManager的一个Block，而这个Block会被一个Task负责计算。

     2）由一个函数计算每一个分片，这里指的是下面会提到的compute函数。

     　　 Spark中的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）对其他RDD的依赖列表，依赖还具体分为宽依赖和窄依赖，但并不是所有的RDD都有依赖。

     　　 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）可选：key-value型的RDD是根据哈希来分区的，类似于mapreduce当中的paritioner接口，控制Key分到哪个reduce。

　　　　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，另外一个基于范围的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parent RDD Shuffle输出时的分片数量。

     5）可选：每一分片的优先计算位置，比如HDFS的block的所在位置应该是优先计算的位置。

 　　　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。

　　

RDD的特点：

• 它是在集群节点上的不可变的、已分区的集合对象。
• 通过并行转换的方式来创建如（map, filter, join, etc）。
• 失败自动重建。
• 可以控制存储级别（内存、磁盘等）来进行重用。
• 必须是可序列化的。
• 是静态类型的。

进一步，说：

　　worker里有很多Excutor，真正完成计算的是Excutor,Excutor计算都是在内存进行计算，
　　Excutor里面有partitioner,partitioner里面的数据如果内存足够大的话放到内存中，它是一点一点读的。
　　RDD是分布式数据集，所说RDD就是这个。

　　RDD有5个特点：
　　　　1.a list of partiotioner有很多个partiotioner(这里有3个partiotioner),可以明确的说，一个分区在一台机器上，一个分区其实就是放在一台机器的内存上，一台机器上可以有多个分区。

　　　　2.a function for partiotioner一个函数作用在一个分区上。比如说一个分区有1，2,3 在rdd1.map(_*10),把RDD里面的每一个元素取出来乘以10，每个分片都应用这个map的函数。

　　　　3.RDD之间有一系列的依赖rdd1.map(_*10).flatMap(..).map(..).reduceByKey(...)，构建成为DAG,这个DAG会构造成很多个阶段，这些阶段叫做stage，RDDstage之间会有依赖关系，后面根据前面的依赖关系来构建，如果前面的数据丢了，它会记住前面的依赖，从前面进行重新恢复。每一个算子都会产生新的RDD。textFile 与flatMap会产生两个RDD.

　　　　4.分区器hash & Integer.Max % partiotioner 决定数据到哪个分区里面，可选，这个RDD是key-value 的时候才能有

　　　　5.最佳位置。数据在哪台机器上，任务就启在哪个机器上，数据在本地上，不用走网络。不过数据进行最后汇总的时候就要走网络。（hdfs file的block块）

　　RDD有5个特点：

　　　　1、RDD是Spark提供的核心抽象，全称为Resillient Distributed Dataset，即弹性分布式数据集。

　　　　2、RDD在抽象上来说是一种元素集合，包含了数据。它是被分区的，分为多个分区，每个分区分布在集群中的不同节点上，从而让RDD中的数据可以被并行操作。（分布式数据集）

　　　　3、RDD通常通过Hadoop上的文件，即HDFS文件或者Hive表，来进行创建；有时也可以通过应用程序中的集合来创建。

　　　　4、RDD最重要的特性就是，提供了容错性，可以自动从节点失败中恢复过来。即如果某个节点上的RDD partition，因为节点故障，导致数据丢了，那么RDD会自动通过自己的数据来源重新计算该partition。这一切对使用者是透明的。

　　　　5、RDD的数据默认情况下存放在内存中的，但是在内存资源不足时，Spark会自动将RDD数据写入磁盘。（弹性）

推荐，阅读源码来进一步学习。可见，知识来自于源码

* Internally, each RDD is characterized by five main properties:
*
*  - A list of partitions
*  - A function for computing each split
*  - A list of dependencies on other RDDs
*  - Optionally, a Partitioner for key-value RDDs (e.g. to say that the RDD is hash-partitioned)
*  - Optionally, a list of preferred locations to compute each split on (e.g. block locations for
*    an HDFS file)

Spark RDD来源

1，使用程序中的集合创建RDD（用于小量测试）； 
2，使用本地文件系统创建RDD（测试大量数据）； 
3，使用HDFS创建RDD（生产环境最常用的RDD创建方式）； 
4，基于DB创建RDD； 
5，基于NoSQL,例如HBase； 
6，基于S3创建RDD； 
7，基于数据流创建RDD；

RDD API

map

　　　　def map[U](f: (T) ⇒ U)(implicit arg0: ClassTag[U]): RDD[U] 
　　　　Return a new RDD by applying a function to all elements of this RDD.

map是对RDD中的每个元素都执行一个指定的函数来产生一个新的RDD。任何原RDD中的元素在新RDD中都有且只有一个元素与之对应。

flatmap

　　　　def flatMap[U](f: (T) ⇒ TraversableOnce[U])(implicit arg0: ClassTag[U]): RDD[U] 
　　　　Return a new RDD by first applying a function to all elements of this RDD, and then flattening the results.

与map类似，区别是原RDD中的元素经map处理后只能生成一个元素，而原RDD中的元素经flatmap处理后可生成多个元素来构建新RDD。