1.RDD的概念
RDD(Resilient Distributed Dataset)叫做分布式弹性数据集,是Spark中最基本的数据抽象.它代表一个不可变,可分区,里面的元素可以并行计算的集合,RDD具有数据流模型的特点:自动容错,位置感知 ,性能调度和可伸缩性,RDD允许用户在执行多个查询时显式的将工作集缓存在内存中,后续的查询能够重用工作集,这样可以极大的提提升查询速度
总结:
/* 2.一个计算每个分区的函数,Spark中RDD的计算是以分片为单位的,内个RDD都会实现compute函数以达到这个目的,compute函数会对迭代计算进行复合,不需要保存每次计算的结果 3.RDD之间依赖关系.RDD的每次转换都会生成一个新的RDD,所以RDD之间会形成类似流水线一样的前后依赖关系,在部分分区数据丢失的时候,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 ps:这个依赖关系就是[宽窄依赖] 恢复分区计算的操作 [血缘] 4.一个Partitioner,即RDD的分片函数,当前Spark中实现了两种类型的分片函数 5 一个列表,存储每个Partition的优先位置,对于一个HDFS文件系统来说,这个列表保存就是每个Partition的快的位置 总结: |
3.RDD的API
RDD支持两种操作:转换操作和行动操作
Spark采用是惰性计算模式,RDD只有在第一次触发行动算子的时候,才会真正计算,相反的,转换算子他们只是记住这些应用到基础数据集上的转换动作(预加在状态)
3.1 Transformation算子(转换算子)
RDD中的所有转换都是延迟加载的,也就是说,它们并不会直接计算结果。相反的,它们只是记住这些应用到基础数据集(例如一个文件)上的转换动作。只有当发生一个要求返回结果给Driver的动作时,这些转换才会真正运行。这种设计让Spark更加有效率的运行。
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,但是每一个输入元素可以被映射为0或多个输出元素(所以func应该返回一个序列,而不是单一元素) |
mapPartitions(func) | 类似于map,但独立地在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, Iterator[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进行去重后返回一个新的RDD |
groupByKey([numTasks]) | 在一个(K,V)的RDD上调用,返回一个(K, Iterator[V])的RDD |
reduceByKey(func, [numTasks]) | 在一个(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]) | 相同的Key值进行聚合操作,在聚合过程中同样使用了一个中立的初始值zeroValue:中立值,定义返回value的类型,并参与运算seqOp:用来在同一个partition中合并值combOp:用来在不同partiton中合并值 |
sortByKey([ascending], [numTasks]) | 在一个(K,V)的RDD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对应的所有元素对在一起的(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]) | 将一些shell命令用于Spark中生成新的RDD |
coalesce(numPartitions) | 重新分区 |
repartition(numPartitions) | 重新分区 |
repartitionAndSortWithinPartitions(partitioner) | 重新分区和排序 |
3.2Action算子(行动)
在RDD上运行计算,并返回结果给Driver或写入文件系统
含义 | |
---|---|
reduce(func) | 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RDD的元素个数 |
first() | 返回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]) | takeOrdered和top类似,只不过以和top相反的顺序返回元素 |
saveAsTextFile(path) | 将数据集的元素以textfile的形式保存到HDFS文件系统或者其他支持的文件系统,对于每个元素,Spark将会调用toString方法,将它装换为文件中的文本 |
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或者其他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。 |
4.创建RDD的两种方式
PS:以下的sc都是SparkContext对象
import org.apache.spark.rdd.RDD /** * 创建RDD */ object CreateRDD { def main(args: Array[String]): Unit = { val sc = CreateSparkContext.createSparkContxt("CreateRDD","local") //1.使用makeRDD来进行创建 //第一个参数是 存储的集合 第二个参数是分区数量,默认是是根据local决定,也可以传入一个具体值 val rdd1: RDD[Int] = sc.makeRDD(Array(1,2,3,4,5,6)) rdd1.foreach(println)
//2.makeRDD的底层实现可以直接创建 //第一个参数是 存储的集合 第二个参数是分区数量,默认是是根据local决定,也可以传入一个具体值 val rdd2 =sc.parallelize(Array(1,2,3,4,5,6),6)
//3.从外部数据中创建RDD
//val rdd = sc.textFile("本地文件路径 / HDFS文件路径")
} }
RDD的依赖关系
RDD和它依赖的父RDD的关系分为两种:窄依赖和宽依赖
窄依赖
窄依赖指的是每一个父RDD Partition最多被子RDD的一个Partition使用
ps: 窄依赖就是 --> 独生子女 (一对一关系)
宽依赖
宽依赖指是多个子RDD的Partition会依赖同一个父RDD的Partition
ps:宽依赖就是 --> 兄弟姐妹 (一对多的关系)
ps:在源码中宽窄依赖所表达类是不一样
宽依赖 ShuffleDependency