SparkRDD简介/常用算子/依赖/缓存

SparkRDD简介/常用算子/依赖/缓存

RDD简介

RDD（Resilient Distributed Dataset）叫做分布式数据集，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是一个类

RDD的属性

1.一个列表，存储存取每个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。
2.保存了计算每个分区的函数，这个计算方法会应用到每一个数据块上,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。
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。
4.RDD的分片函数（Partitioner），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。用户可以在创建RDD时指定RDD的分片个数，如果没有指定，那么就会采用默认值。默认值就是程序所分配到的CPU Core的数目。

如何创建RDD

1.通过序列化集合的方式创建RDD（parallelize，makeRDD）
2.通过读取外部的数据源(testFile)
3.通过其他的rdd做transformation操作转换成行的RDD

RDD的两种算子：

1.Transformation

• map(func) :返回一个新的分布式数据集，由每个原元素经过func函数转换后组成
• filter(func) : 返回一个新的数据集，由经过func函数后返回值为true的原元素组成
• flatMap(func) : 类似于map，但是每一个输入元素，会被映射为0到多个输出元素（因此，func函数的返回值是一个Seq，而不是单一元素）
• flatMap(func) : 类似于map，但是每一个输入元素，会被映射为0到多个输出元素（因此，func函数的返回值是一个Seq，而不是单一元素）
• sample(withReplacement, frac, 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) : 返回一个新的数据集，由原数据集和参数联合而成
• reduceByKey(func, [numTasks]) : 在一个（K，V)对的数据集上使用，返回一个（K，V）对的数据集，key相同的值，都被使用指定的reduce函数聚合到一起。和groupbykey类似，任务的个数是可以通过第二个可选参数来配置的。
• join(otherDataset, [numTasks]) :
  在类型为（K,V)和（K,W)类型的数据集上调用，返回一个（K,(V,W))对，每个key中的所有元素都在一起的数据集
• groupWith(otherDataset, [numTasks]) : 在类型为（K,V)和(K,W)类型的数据集上调用，返回一个数据集，组成元素为（K, Seq[V], Seq[W]) Tuples。这个操作在其它框架，称为CoGroup
• cartesian(otherDataset) : 笛卡尔积。但在数据集T和U上调用时，返回一个(T，U）对的数据集，所有元素交互进行笛卡尔积。
• 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])
• 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,Iterable))类型的RDD

2.Action

• reduce(func) 通过func函数聚集RDD中的所有元素，这个功能必须是课交换且可并联的
• 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])
• 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。

RDD的依赖关系

1.窄依赖
窄依赖指的是每一个父RDD的Partition最多被子RDD的一个Partition使用
总结：窄依赖我们形象的比喻为独生子女

2.宽依赖
宽依赖指的是多个子RDD的Partition会依赖同一个父RDD的Partition
总结：宽依赖我们形象的比喻为超生

3.Lineage(血统)
RDD只支持粗粒度转换，即在大量记录上执行的单个操作。将创建RDD的一系列Lineage（即血统）记录下来，以便恢复丢失的分区。RDD的Lineage会记录RDD的元数据信息和转换行为，当该RDD的部分分区数据丢失时，它可以根据这些信息来重新运算和恢复丢失的数据分区。

DAG的生成
DAG(Directed Acyclic Graph)叫做有向无环图，原始的RDD通过一系列的转换就就形成了DAG，根据RDD之间的依赖关系的不同将DAG划分成不同的Stage，对于窄依赖，partition的转换处理在Stage中完成计算。对于宽依赖，由于有Shuffle的存在，只能在parent RDD处理完成后，才能开始接下来的计算，因此宽依赖是划分Stage的依据。

RDD的缓存
Spark速度非常快的原因之一，就是在不同操作中可以在内存中持久化或缓存个数据集。当持久化某个RDD后，每一个节点都将把计算的分片结果保存在内存中，并在对此RDD或衍生出的RDD进行的其他动作中重用。这使得后续的动作变得更加迅速。RDD相关的持久化和缓存，是Spark最重要的特征之一。可以说，缓存是Spark构建迭代式算法和快速交互式查询的关键。

找依赖关系划分stage的目的之一就是划分缓存， 如何通过stage的划分设置缓存？
（1）在窄依赖想设置缓存时用cache
（2）在宽依赖想设置缓存时用checkpoint
如何设置cache和checkpoint？
cache：someRDD.cache()就添加成功缓存，放入到内存中
someRDD.persist（StorageLevel.MEMORY_AND_DISK）：根据自己的需要设置缓存的位置（内存和硬盘）

checkpoint：可以把RDD计算后的数据存储在本地磁盘上，也可以是hdfs

sc.setCheckpointDIr("hdfs://hadoop1:9000/checkpoint")设置checkpoint的路径 在宽依赖前设置
someRDD.checkpoint()设置checkpoint

cache 和checkpoint的区别

cache只是缓存数据，不改变RDD的依赖关系，checkpoint生成了一个新的RDD，后面的RDD将依赖新的RDD依赖关系已经改变 。数据恢复的顺序：checkpoint ---》cache--》重算