Spark RDD 核心总结

摘要：

　　1.RDD的五大属性

　　　　1.1 partitions(分区)

　　　　1.2 partitioner(分区方法)

　　　　1.3 dependencies(依赖关系)

　　　　1.4 compute(获取分区迭代列表)

　　　　1.5 preferedLocations(优先分配节点列表)

　　2.RDD实现类举例

　　　　2.1 MapPartitionsRDD

　　　　2.2 ShuffledRDD

　　　　2.3 ReliableCheckpointRDD

　　3.RDD可以嵌套吗？

内容：

1.RDD的五大属性

1.1partitions(分区)

　　partitions : 分区属性: 每个RDD包括多个分区, 这既是RDD的数据单位, 也是计算粒度, 每个分区是由一个Task线程处理. 在RDD创建的时候可以指定分区的个数, 如果没有指定, 那么默认分区个数由参数spark.default.parallelism指定（如果未设置这个参数 ，则在yarn或者standalone模式下有如下推导：spark.default.parallelism =  max（所有executor使用的core总数， 2））.

　　每一分区对应一个内存block, 由BlockManager分配.

　

　子类可以通过调用下面的方法来获取分区列表，当处于检查点时，分区信息会被重写

Partition实现：

partition 与 iterator 方法

　　RDD 的 iterator(split: Partition, context: TaskContext): Iterator[T] 方法用来获取 split 指定的 Partition 对应的数据的迭代器，有了这个迭代器就能一条一条取出数据来按 compute chain 来执行一个个transform 操作。iterator 的实现如下：

　　其先判断 RDD 的 storageLevel 是否为 NONE，若不是，则尝试从缓存中读取，读取不到则通过计算来获取该Partition对应的数据的迭代器;若是，尝试从 checkpoint 中获取 Partition 对应数据的迭代器，若 checkpoint 不存在则通过计算（compute属性）

　　

1.2partitioner(分区方法)

　　RDD的分区方式， 这个属性指的是RDD的partitioner函数(分片函数), 分区函数就是将数据分配到指定的分区, 这个目前实现了HashPartitioner和RangePartitioner, 只有key-value的RDD才会有分片函数, 否则为none. 分片函数不仅决定了当前分片的个数, 同时决定parent shuffle RDD的输出的分区个数.

HashPartitioner如何决定一个键对应的分区的：

其中nonNegativeMod方法考虑到了key的符号，如果key是负数，就返回key%numPartitions +numPartitions（补数）;

HashPartitioner是基于Object的hashcode来分区的，所以不应该对集合类型进行哈希分区

RangePartitioner如何决定一个键对应的分区的：

其中rangeBounds是各个分区的上边界的Array。而rangeBounds的具体计算是通过抽样进行估计的，具体代码可以参照RangePartitioner 实现简记

RangePartitioner是根据key值大小进行分区的，所以支持RDD的排序类算子

1.3dependencies(依赖关系)

　　Spark的运行过程就是RDD之间的转换, 因此, 必须记录RDD之间的生成关系(新RDD是由哪个或哪几个父RDD生成), 这就是所谓的依赖关系, 这样既有助于阶段和任务的划分, 也有助于在某个分区出错的时候, 只需要重新计算与当前出错的分区有关的分区,而不需要计算所有的分区.

dependencies_是一个记录Dependency关系的序列（Seq）：

RDD是如何记录依赖关系的：　　

、

　依赖类型：

• • 　　窄依赖：父 RDD 的 partition 至多被一个子 RDD partition 依赖（OneToOneDependency，RangeDependency）
  • 　　宽依赖：父 RDD 的 partition 被多个子 RDD partitions 依赖（ShuffleDependency）

　　图示：

窄依赖是一对一的关系，所以可以直接从父分区中获取；宽依赖则不行。以下是宽依赖（实现是ShuffleDependency）的几个重要属性。更加具体的shuffle原理可以查看Spark Shuffle原理、Shuffle操作问题解决和参数调优

1.4compute(获取分区迭代列表)　　　　

　　计算属性: 当调用 RDD#iterator 方法无法从缓存或 checkpoint 中获取指定 partition 的迭代器时，就需要调用 compute 方法来获取

　　RDD不仅包含有数据, 还有在数据上的计算, 每个RDD以分区为计算粒度, 每个RDD会实现compute函数, compute函数会和迭代器(RDD之间转换的迭代器)进行复合, 这样就不需要保存每次compute运行的结果.

代码：

下面举几个算子操作：

map

　　上面代码中的 firstParent 是指本 RDD 的依赖 dependencies: Seq[Dependency[_]] 中的第一个，MapPartitionsRDD 的依赖中只有一个父 RDD。而 MapPartitionsRDD 的 partition 与其唯一的父 RDD partition 是一一对应的，所以其 compute 方法可以描述为：对父 RDD partition 中的每一个元素执行传入 map (代码中的f(context,split.index,iterator)函数)的方法得到自身的 partition 及迭代器

　　图示：

groupByKey

与 map、union 不同，groupByKey 是一个会产生宽依赖（ShuffleDependency）的 transform，其最终生成的 RDD 是 ShuffledRDD，来看看其 compute 实现：

可以看到，ShuffledRDD 的 compute 使用 ShuffleManager 来获取一个 reader，该 reader 将从本地或远程 BlockManager 拉取 map output 的 file 数据

图示：

1.5preferedLocations(优先分配节点列表)

　　对于分区而言返回数据本地化计算的节点列表

　　也就是说, 每个RDD会报出一个列表（Seq）, 而这个列表保存着分片优先分配给哪个Worker节点计算, spark坚持移动计算而非移动数据的原则. 也就是尽量在存储数据的节点上进行计算.

　　要注意的是，并不是每个 RDD 都有 preferedLocation，比如从 Scala 集合中创建的 RDD 就没有，而从 HDFS 读取的 RDD 就有

　　

　　spark 本地化级别：PROCESS_LOCAL　=>　NODE_LOCAL　=>　NO_PREF　=> 　RACK_LOCAL　=>　ANY

　　PROCESS_LOCAL   进程本地化：task要计算的数据在同一个Executor中

　　NODE_LOCAL    节点本地化：速度比 PROCESS_LOCAL 稍慢，因为数据需要在不同进程之间传递或从文件中读取

　　NODE_PREF    没有最佳位置这一说，数据从哪里访问都一样快，不需要位置优先。比如说SparkSQL读取MySql中的数据

　　RACK_LOCAL 机架本地化，数据在同一机架的不同节点上。需要通过网络传输数据及文件 IO，比 NODE_LOCAL 慢

　　ANY   跨机架，数据在非同一机架的网络上，速度最慢

　　参考自：Spark数据本地化-->如何达到性能调优的目的

2.RDD实现类举例

2.1 MapPartitionsRDD

　　

2.2 ShuffledRDD

2.3 ReliableCheckpointRDD

ReliableCheckpointRDD将RDD写入到HDFS中

checkpointRDD的功能就是切断所有的之前RDD的依赖和迭代关系，所以compute方法只返回对应HDFS的文件反序列化流的一个迭代器就可以了

而且在ReliableCheckpointRDD中dependencies_属性是空的，也就没有实现getDependencies

另外多研究下RDD中的checkpoint方法：private def checkpointRDD: Option[CheckpointRDD[T]] = checkpointData.flatMap(_.checkpointRDD)

2.4 CoGroupedRDD (待补充)

3.RDD可以嵌套吗？

RDD嵌套是不被支持的，也即不能在一个RDD操作的内部再使用RDD。

在spark中trasaction是不能嵌套的，这是因为并行式函数将以闭包的形式发送至各个worker。若并行式函数使用了rdd的引用，spark将会把当前rdd对象闭包给worker.然而，对rdd对象的执行只能由driver进行，worker并不能执行，所以会导致错误。