Spark RDD解密

1.  基于数据集的处理： 从物理存储上加载数据，然后操作数据，然后写入数据到物理设备;

基于数据集的操作不适应的场景：

1. 不适合于大量的迭代：
2. 不适合交互式查询：每次查询都需要对磁盘进行交互.
3. 基于数据流的方式不能够复用曾经的结果或者中间的结果;

2. RDD弹性数据集

特点：

A)自动的进行内存和磁盘数据的存储切换：

B) 基于lineage的高效容错；

C) Task如果失败会自动进行重试

D) Stage如果失败会自动进行重试，而且只会计算失败的分片;

E) Checkpoint和persist.

3.  数据分片的高度弹性. Partition合并可以提升效率(数据比较小的适合)，  数据大的时候可以提高partition设置，避免OOM. 如果小的分片变大的时候，一般需要shuffle. 可以使用coalesce.

def coalesce(numPartitions: Int, shuffle: Boolean = false)

　　　　(implicit ord: Ordering[T] = null): RDD[T]

返回一个新的RDD，且该RDD的分区个数等于numPartitions个数。如果shuffle设置为true，则会进行shuffle.

def repartition(numPartitions: Int)(implicit ord: Ordering[T] = null): RDD[T]

该函数其实就是coalesce函数第二个参数为true的实现

repartition(numPartitions:Int):RDD[T]和coalesce(numPartitions:Int，shuffle:Boolean=false):RDD[T]

他们两个都是RDD的分区进行重新划分，repartition只是coalesce接口中shuffle为true的简易实现，（假设RDD有N个分区，需要重新划分成M个分区）

1）、N<M。一般情况下N个分区有数据分布不均匀的状况，利用HashPartitioner函数将数据重新分区为M个，这时需要将shuffle设置为true。

2）如果N>M并且N和M相差不多，(假如N是1000，M是100)那么就可以将N个分区中的若干个分区合并成一个新的分区，最终合并为M个分区，这时可以将shuff设置为false，在shuffl为false的情况下，如果M>N时，coalesce为无效的，不进行shuffle过程，父RDD和子RDD之间是窄依赖关系。

3）如果N>M并且两者相差悬殊，这时如果将shuffle设置为false，父子ＲＤＤ是窄依赖关系，他们同处在一个Ｓｔａｇｅ中，就可能造成spark程序的并行度不够，从而影响性能，如果在M为1的时候，为了使coalesce之前的操作有更好的并行度，可以讲shuffle设置为true。

总之：如果shuff为false时，如果传入的参数大于现有的分区数目，RDD的分区数不变，也就是说不经过shuffle，是无法将RDD的分区数变多的。

4. RDD的延迟加载. Lazy. 构造的时候的第一个参数就是父RDD;

就相当于 f(x) = x + 1; x =y+1; y=z+1; 这就是依赖，最终的计算是先计算z的值，然后再计算y的值，最终计算出f(x);

Spark不产生中间结果，但是需要手动cache，persist. 内存消耗比较大，最主要是spark的shuffle机制（spark1.x以前有数据规模的限制.现在没有，原因主要是shuffle的原因，但是最新版本以来shuffle支持更多的方式.）

5.  容错的两种方式： 数据检查点和记录数据的更新;

Spark采取的是记录数据更新方式容错为什么更高效:

A) RDD是不可变 + lazy：数据的恢复需要checkpoint. 比如从第900步恢复的前提是要在900步进行checkpoint.

B) RDD是粗粒度.  写操作是粗粒度.但是rdd读操作既可以是粗粒度也可以是细粒度的. 高效率的. 简化复杂度. 但有部分场景不适合spark rdd. 爬虫就不合适.

6. 关于数据本地性问题, 如果读取的是比如mysql, hbase，那么需要这些集群和spark集群在一个集群里; 这样都是内网进行读取; 针对不同机房数据不同步问题可以采用Tachyon 内存同步.

7. 实时事物性处理不适用spark.

8.  如果是scala集合的话，那么针对数据本地性，是数据集合会被copy到计算节点内存当中.