zoukankan      html  css  js  c++  java
  • spark-RDD源码分析

    http://stark-summer.iteye.com/blog/2178096

    RDD的核心方法:

    首先看一下getPartitions方法的源码:

    getPartitions返回的是一系列partitions的集合,即一个Partition类型的数组

    我们就想进入HadoopRDD实现:

    1、getJobConf():用来获取job Configuration,获取配置方式有clone和非clone方式,但是clone方式 是not thread-safe,默认是禁止的,非clone方式可以从cache中获取,如cache中没有那就创建一个新的,然后再放到cache中

    2、进入 getInputFormcat(jobConf)方法:

    3、进入inputFormat.getSplits(jobConf, minPartitions)方法:

    进入FileInputFormcat类的getSplits方法:

    5、进入HadoopPartition:

    而getDependencies表达式RDD之间的依赖关系,如下所示:

    getDependencies返回的是依赖关系的一个Seq集合,里面的Dependency数组中的下划线是类型的PlaceHolder

    我们进入ShuffledRDD类中的getDependencies方法:

    我们进入ShuffleDependency类:

    每个RDD都会具有计算的函数,如下所示:

    我们进入HadoopMapPartitionsWithSplitRDD的 compute方法:

    Compute方法是针对RDD的每个Partition进行计算的,其TaskContext参数的源码如下:

    getPreferredLocations是寻找Partition的首选位置:

    我们进入NewHadoopRDD的getPreferredLocations:

    其实RDD还有一个可选的分区策略:

    Partitioner的源码如下:

    可以看出默认使用的是HashPartitioner,要注意key为Array的情况;

    spark.default.parallelism必须要设置,否则会根据partitions数据来传输RDD,这样也会很容易出现OOM

  • 相关阅读:
    个人对回调函数的理解(personal understanding of callback function)
    蓄水池抽样及实现
    一些我做的软件
    poj1063 解题报告(poj 1063 analysis report)
    有关MAP、ML和EM的个人理解
    2012年总结
    asp.net中requiredfieldvalidator很纠结的问题(有关ClientScript属性)
    wcf在iis6上的部署
    GridView后台代码动态显示隐藏ItemTemplate
    aspx向silverlight传值
  • 原文地址:https://www.cnblogs.com/felixzh/p/9644470.html
Copyright © 2011-2022 走看看