spark计算模型RDD[通俗易懂]

RDD介绍

1.RDD概念以及特性

RDD（Resilient Distributed Dataset）叫做弹性分布式数据集，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。RDD具有数据流模型的特点：自动容错、位置感知性调度和可伸缩性。RDD允许用户在执行多个查询时显式地将数据缓存在内存中，后续的查询能够重用这些数据，这极大地提升了查询速度。（A Resilient Distributed Dataset）弹性分布式数据集合。并且是spark最基本的编程抽象，而且RDD是只读、可分区的、可以进行并行计算的一个对象。

• 数据集：一个数据集合，用于存放数据的。RDD是一个数据容器，用来组织管理数据的。跟Array和List类似，并且都能够进行map、flatMap、filter等等

• 分布式：RDD中的数据是分布式存储的，可用于分布式计算。RDD的数据是分布存储的，也就是Spark集群中每个节点上只存储了RDD的部分数据。计算同样也是分布式并行计算的

• 弹性：

  • 存储的弹性：RDD的数据可以在内存和磁盘之间进行自由切换

  • 可靠性的弹性：RDD的在丢失数据的时候能够自动恢复。RDD在计算过程中会出现失败的情况，失败以后会进行一定次数的重试（4次）

  • 并行度的弹性：RDD的数据分区可以改变，进而增加并行计算的粒度

• RDD其他特点：

  • RDD的数据是只读，每次操作都会产生新的RDD。安全。

  • RDD中数据可以缓存在内存、磁盘、HDFS之上

1.1RDD弹性

1) 自动进行内存和磁盘数据存储的切换

​ Spark优先把数据放到内存中，如果内存放不下，就会放到磁盘里面，程序进行自动的存储切换

2) 基于血统的高效容错机制

​ 在RDD进行转换和动作的时候，会形成RDD的Lineage依赖链，当某一个RDD失效的时候，可以通过重新计算上游的RDD来重新生成丢失的RDD数据。

3) Task如果失败会自动进行特定次数的重试

​ RDD的计算任务如果运行失败，会自动进行任务的重新计算，默认次数是4次。

4) Stage如果失败会自动进行特定次数的重试

​ 如果Job的某个Stage阶段计算失败，框架也会自动进行任务的重新计算，默认次数也是4次。

5) Checkpoint和Persist可主动或被动触发

​ RDD可以通过Persist持久化将RDD缓存到内存或者磁盘，当再次用到该RDD时直接读取就行。也可以将RDD进行检查点，检查点会将数据存储在HDFS中，该RDD的所有父RDD依赖都会被移除。

6) 数据调度弹性

​ Spark把这个JOB执行模型抽象为通用的有向无环图DAG，可以将多Stage的任务串联或并行执行，调度引擎自动处理Stage的失败以及Task的失败。

7) 数据分片的高度弹性

​ 可以根据业务的特征，动态调整数据分片的个数，提升整体的应用执行效率。

​ RDD是一种分布式的内存抽象，表示一个只读的记录分区的集合，它只能通过其他RDD转换而创建，为此，RDD支持丰富的转换操作(如map, join, filter, groupBy等)，通过这种转换操作，新的RDD则包含了如何从其他RDDs衍生所必需的信息，所以说RDDs之间是有依赖关系的。基于RDDs之间的依赖，RDDs会形成一个有向无环图DAG，该DAG描述了整个流式计算的流程，实际执行的时候，RDD是通过血缘关系(Lineage)一气呵成的，即使出现数据分区丢失，也可以通过血缘关系重建分区，总结起来，基于RDD的流式计算任务可描述为：从稳定的物理存储(如分布式文件系统)中加载记录，记录被传入由一组确定性操作构成的DAG，然后写回稳定存储（HDFS或磁盘）。另外RDD还可以将数据集缓存到内存中，使得在多个操作之间可以重用数据集，基于这个特点可以很方便地构建迭代型应用(图计算、机器学习等)或者交互式数据分析应用。可以说Spark最初也就是实现RDD的一个分布式系统，后面通过不断发展壮大成为现在较为完善的大数据生态系统，简单来讲，Spark-RDD的关系类似于Hadoop-MapReduce关系。

1.2RDD的五大属性

1) 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。

如果文件的block个数 <=2 那么 sc.textFile(“file:///wordcount.txt”)分区个数为2

如果文件的block块个数 >2 那么 sc.textFile(“file:///wordcount.txt”)分区的个数等于block块的个数

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，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。RDD的每一个算子操作比如map 都会通过compute方法作用在每个分区之上

3) RDD之间的依赖关系。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。每一个RDD都有其依赖列表RDD的依赖关系 都是存在一个序列集合中,作用：容错 以及构建起血统机制

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，一个是基于哈希的HashPartitioner，另外一个是基于范围的RangePartitioner。只有对于于key-value的RDD，才会有Partitioner，非key-value的RDD的Parititioner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) 一个列表，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。

 a list of preferred locations to compute each split on (e.g. block locations for
  *    an HDFS file)
  Spark在读取hdfs文件的是，hdfs文件每一个block默认有多个备份，spark会获取每一个block块以及其备份的位置信息构建成列表，在进行计算的时候，spark会在位置列表中选取一个最佳位置进行任务分配。 移动数据不如移动计算的原则。
       移动数据不如移动计算的原则最高境界：数据在当前运行程序的进程之中
  RDD是如何确定优先位置？
      getPreferredLocations(split: Partition): Seq[String] 
  通过以上方法确定计算的最佳位置。
  RDD的数据本地化:
      5种

2.RDD的构建方式

3种构建方式

• 根据以后数据集合构建RDD

  • val rdd1 = sc.parallelize(Array(1,2,3,4,5,6,7,8))

  • val rdd1 = sc.parallelize(List(1,2,3,4,5,6,7,8))

• 根据外部文件 可以是本地文件也可是HDFS上文件

  • sc.textFile(filePath)

• 根据以后RDD创建新的RDD 需要经过算子操作

  • val newRDD=lineRDD.flatMap(function)

3.RDD的算子操作

RDD的算子分为两类

• 转换算子（Transform算子）

  • 将一个RDD通过转换算子操作以后会构建新的RDD，比如map 、flatMap、reduceByKey

  • 转换算子操作都是直接new新的RDD，此时RDD并没有进行真正的计算。转换算子只是对数据如何计算做了标记。转换算子都是懒加载。

• 重要算子操作

  • mapPartitions ：作用于每个分区之上的

    • mapPartitions 和map区别：

      • mapPartitions 相当于partition批量操作

      • map作用于每一条数据

      • 重要区别：mapPartitions 这个在大量task运行的时候可能会出现内存溢出的情况。小数据量的操作 mapPartitions 要优于map操作

  • groupByKey算子和ReduceByKey算子的区别

    • 1.groupByKey 返回值：key->集合 ReduceByKey返回值： key-》值

    • 2.ReduceByKey操作会在本地进行初步merge操作，能够减少网络数据的传输

  • coalesce 减少分区数据的算子

    • 该算子可以进行shuffle也可以不进shuffle操作， coalesce(numPartitions: Int, shuffle: Boolean = false）

  • repartition 实际上是调用了 coalesce 算子 ，而且 repartition一定会进行shuffle操作，既可以增加也可以减少分区

• Action算子

　　　　action算子内部都会有一个runJob方法进行提交一个Job任务

　　广播变量：

• 广播变量需要数据传递

  • HTTP协议：基于HTTP协议将数据传递到Executor。Executor会Driver端申请下载（已经被废弃）

  • torrent协议：默认的方式。 Driver下载到Executor上，然后Executor会再次数据源，将数据传递到下一个需要数据Executor之上。参考 （TorrentBroadcast类）

4.RDD的依赖关系

RDD和它依赖的父RDD的关系有两种不同的类型，即窄依赖（narrow dependency）和宽依赖（wide dependency）。

• RDD的依赖类型

  • 窄依赖：父RDD中一个partition最多被子RDD中的一个partition所依赖，这种依赖关系就是窄依赖

  • 窄依赖算子：map 、filter 、union 、flatMap等

  • 宽依赖：父RDD中一个partition被子RDD中的多个partition所依赖，这种依赖关系就是宽依赖

  • 宽依赖算子：groupByKey、reduceByKey。凡是By基本上都是宽依赖

  一对一或者多对==一：窄依赖==

  一对多或者多对==多：宽依赖==

• 宽窄依赖算子的判断依据是转换算子是否会产生shuffle操作，如果有shuffle操作则是宽依赖，否则是窄依赖

• join既是宽依赖算子也是窄依赖算子 （在一个shuffle操作之后，在使用Join的时候，此时join就是窄依赖）