spark——spark中常说RDD，究竟RDD是什么？

本文始发于个人公众号：TechFlow，原创不易，求个关注

今天是spark专题第二篇文章，我们来看spark非常重要的一个概念——RDD。

在上一讲当中我们在本地安装好了spark，虽然我们只有local一个集群，但是仍然不妨碍我们进行实验。spark最大的特点就是无论集群的资源如何，进行计算的代码都是一样的，spark会自动为我们做分布式调度工作。

RDD概念

介绍spark离不开RDD，RDD是其中很重要的一个部分。但是很多初学者往往都不清楚RDD究竟是什么，我自己也是一样，我在系统学习spark之前代码写了一堆，但是对于RDD等概念仍然云里雾里。

RDD的英文全名是Resilient Distributed Dataset，我把英文写出来就清楚了很多。即使第一个单词不认识，至少也可以知道它是一个分布式的数据集。第一个单词是弹性的意思，所以直译就是弹性分布式数据集。虽然我们还是不够清楚，但是已经比只知道RDD这个概念清楚多了，

RDD是一个不可变的分布式对象集合，每个RDD都被分为多个分区，这些分区运行在集群的不同节点上。

很多资料里只有这么一句粗浅的解释，看起来说了很多，但是我们都get不到。细想有很多疑问，最后我在大神的博客里找到了详细的解释，这位大神翻了spark的源码，找到了其中RDD的定义，一个RDD当中包含以下内容：

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)

我们一条一条来看：

它是一组分区，分区是spark中数据集的最小单位。也就是说spark当中数据是以分区为单位存储的，不同的分区被存储在不同的节点上。这也是分布式计算的基础。
一个应用在各个分区上的计算任务。在spark当中数据和执行的操作是分开的，并且spark基于懒计算的机制，也就是在真正触发计算的行动操作出现之前，spark会存储起来对哪些数据执行哪些计算。数据和计算之间的映射关系就存储在RDD中。
RDD之间的依赖关系，RDD之间存在转化关系，一个RDD可以通过转化操作转化成其他RDD，这些转化操作都会被记录下来。当部分数据丢失的时候，spark可以通过记录的依赖关系重新计算丢失部分的数据，而不是重新计算所有数据。
一个分区的方法，也就是计算分区的函数。spark当中支持基于hash的hash分区方法和基于范围的range分区方法。
一个列表，存储的是存储每个分区的优先存储的位置。

通过以上五点，我们可以看出spark一个重要的理念。即移动数据不如移动计算，也就是说在spark运行调度的时候，会倾向于将计算分发到节点，而不是将节点的数据搜集起来计算。RDD正是基于这一理念而生的，它做的也正是这样的事情。

创建RDD

spark中提供了两种方式来创建RDD，一种是读取外部的数据集，另一种是将一个已经存储在内存当中的集合进行并行化。

我们一个一个来看，最简单的方式当然是并行化，因为这不需要外部的数据集，可以很轻易地做到。

在此之前，我们先来看一下SparkContext的概念，SparkContext是整个spark的入口，相当于程序的main函数。在我们启动spark的时候，spark已经为我们创建好了一个SparkContext的实例，命名为sc，我们可以直接访问到。

我们要创建RDD也需要基于sc进行，比如下面我要创建一个有字符串构成的RDD：

texts = sc.parallelize(['now test', 'spark rdd'])

返回的texts就是一个RDD：

除了parallelize之外呢，我们还可以从外部数据生成RDD，比如我想从一个文件读入，可以使用sc当中的textFile方法获取：

text = sc.textFile('/path/path/data.txt')

一般来说，除了本地调试我们很少会用parallelize进行创建RDD，因为这需要我们先把数据读取在内存。由于内存的限制，使得我们很难将spark的能力发挥出来。

转化操作和行动操作

刚才我们在介绍RDD的时候其实提到过，RDD支持两种操作，一种叫做转化操作(transformation)一种叫做行动操作(action)。

顾名思义，执行转化操作的时候，spark会将一个RDD转化成另一个RDD。RDD中会将我们这次转化的内容记录下来，但是不会进行运算。所以我们得到的仍然是一个RDD而不是执行的结果。

比如我们创建了texts的RDD之后，我们想要对其中的内容进行过滤，只保留长度超过8的，我们可以用filter进行转化：

textAfterFilter = texts.filter(lambda x: len(x) > 8)

我们调用之后得到的也是一个RDD，就像我们刚才说的一样，由于filter是一个转化操作，所以spark只会记录下它的内容，并不会真正执行。

转化操作可以操作任意数量的RDD，比如如果我执行如下操作，会一共得到4个RDD：

inputRDD = sc.textFile('path/path/log.txt')
lengthRDD = inputRDD.filter(lambda x: len(x) > 10)
errorRDD = inputRDD.filter(lambda x: 'error' in x)
unionRDD = errorRDD.union(lengthRDD)

最后的union会将两个RDD的结果组合在一起，如果我们执行完上述代码之后，spark会记录下这些RDD的依赖信息，我们把这个依赖信息画出来，就成了一张依赖图：

无论我们执行多少次转化操作，spark都不会真正执行其中的操作，只有当我们执行行动操作时，记录下来的转化操作才会真正投入运算。像是first()，take()，count()等都是行动操作，这时候spark就会给我们返回计算结果了。

其中first的用处是返回第一个结果，take需要传入一个参数，指定返回的结果条数，count则是计算结果的数量。和我们逾期的一样，当我们执行了这些操作之后，spark为我们返回了结果。

本文着重讲的是RDD的概念，我们下篇文章还会着重对转化操作和行动操作进行深入解读。感兴趣的同学不妨期待一下吧~

今天的文章就是这些，如果觉得有所收获，请顺手点个关注或者转发吧，你们的举手之劳对我来说很重要。