Spark学习笔记之SparkRDD

Spark学习笔记之SparkRDD

一、   基本概念

1. RDD（resilient distributed datasets）弹性分布式数据集。

来自于两方面

①   内存集合和外部存储系统

②   通过转换来自于其他RDD，如map，filter等

2.创建操作（creation operation）：RDD的创建由SparkContext来负责。

3.转换操作（transformation operation）：将一个RDD通过一定操作转换为另一个RDD。

4.控制操作（control operation）：对RDD进行持久化等。

5.行动操作（action operation）：Spark为惰性计算，对RDD的行动操作都会触发Spark作业的运行。

基本分为两类

①   使操作结果变为Scala变量或者标量。

②   将RDD保存到外部文件或者数据库系统中。

6.RDD分区（partitions）

分区多少关系到对这个RDD进行并行计算的粒度，每一个RDD分区的计算操作都在一个单独的任务中被执行

7.RDD优先位置（preferredLocations）

是RDD中每个分区所存储的位置

8.RDD依赖关系（dependencies）

窄依赖：每一个父RDD的分区最多只被子RDD的一个分区使用

宽依赖：多个子RDD的分区会依赖同一个父RDD的分区

9.RDD分区计算（compute）

Spark中每个RDD的计算都是以分区为单位的，而且RDD中的compute函数都是在对迭代器进行复合，只返回相应分区数据的迭代器。

10.RDD分区函数（partitioner）

两类分区函数：HashPartitioner和RangPartitioner。

二、   创建操作

1. 集合创建操作：makeRDD可以指定每个分区perferredLocations参数parallelize则没有
2. 存储创建操作：Spark与Hadoop完全兼容，所以对Hadoop所支持的文件类型或者数据库类型，Spark同样支持。
3. 基本转换操作

三、   转换操作

map：将RDD中T类型一对一转换为U

distinct：返回RDD不重复元素

flatMap：将元素一对多转换

reparation、coalesce：对RDD分区重新划分，reparation只是coalesce接口中shuffle为true的简易实现

randomSplit：将RDD切分

glom：将类型为T的元素转换为Array[T]

union等等

1. 键值RDD转换操作

partitionBy、mapValues、flatMapValues等

1. RDD依赖关系，Spark生成的RDD对象一般多于用户书写的Spark应用程序中包含的RDD，因为RDD在转换操作过程中产生临时的RDD

四、   控制操作

cache（）：

persist（）：保留着RDD的依赖关系

checkpoint（level：StorageLevel）：RDD[T]切断RDD依赖关系

五、   行动操作

1. 集合标量行动操作

first：返回RDD第一个元素

count：返回RDD中元素个数

reduce：对RDD的元素进行二元计算

aggregate：聚合函数

fold：是aggregate的便利借口

1. 存储行动操作

saveAsHadoopFile

saveAsHadoopDataset等