sparkRDD：第1节 RDD概述；第2节 创建RDD

RDD的特点：

（1）rdd是数据集；

（2）rdd是编程模型：因为rdd有很多数据计算方法如map，flatMap，reduceByKey等；

（3）rdd相互之间有依赖关系；

（4）rdd是可以分区的，如下图所示：

=======================================

Spark计算模型RDD

一、 课程目标

目标1：掌握RDD的原理

目标2：熟练使用RDD的算子完成计算任务

目标3：掌握RDD的宽窄依赖

目标4：掌握RDD的缓存机制

目标5：掌握划分stage

目标6：掌握spark的任务调度流程

二、 弹性分布式数据集RDD

2.  RDD概述

2.1 什么是RDD

RDD（Resilient Distributed Dataset）叫做弹性分布式数据集，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具有数据流模型的特点：自动容错、位置感知性调度和可伸缩性。RDD允许用户在执行多个查询时显式地将数据缓存在内存中，后续的查询能够重用这些数据，这极大地提升了查询速度。

Dataset：一个数据集合，用于存放数据的。

Distributed：RDD中的数据是分布式存储的，可用于分布式计算。

Resilient：RDD中的数据可以存储在内存中或者磁盘中。

2.2      RDD的属性

1） A list of partitions ：一个分区（Partition）列表，数据集的基本组成单位。

对于RDD来说，每个分区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的分区个数，如果没有指定，那么就会采用默认值。（比如：读取HDFS上数据文件产生的RDD分区数跟block的个数相等）

2）A function for computing each split ：一个计算每个分区的函数。

Spark中RDD的计算是以分区为单位的，每个RDD都会实现compute计算函数以达到这个目的。

3）A list of dependencies on other RDDs：一个RDD会依赖于其他多个RDD，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）Optionally, a Partitioner for key-value RDDs (e.g. to say that the RDD is hash-partitioned)：一个Partitioner，即RDD的分区函数（可选项）。

当前Spark中实现了两种类型的分区函数，一个是基于哈希的HashPartitioner，另外一     个是基于范围的RangePartitioner。只有对于key-value的RDD，才会有Partitioner（必须要产生shuffle），非key-value的RDD的Parititioner的值是None。

5）Optionally, a list of preferred locations to compute each split on (e.g. block locations for an HDFS file)：一个列表，存储每个Partition的优先位置(可选项)。

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（spark进行任务分配的时候尽可能选择那些存有数据的worker节点来进行任务计算）。

2.3      为什么会产生RDD？

（1）    传统的MapReduce虽然具有自动容错、平衡负载和可拓展性的优点，但是其最大缺点是采用非循环式的数据流模型，使得在迭代计算中要进行大量的磁盘IO操作。RDD正是解决这一缺点的抽象方法。

（2）     RDD是Spark提供的最重要的抽象的概念，它是一种具有容错机制的特殊集合，可以分布在集群的节点上，以函数式编程来操作集合，进行各种并行操作。可以把RDD的结果数据进行缓存，方便进行多次重用，避免重复计算。

2.4      RDD在Spark中的地位及作用

（1）    为什么会有Spark？

因为传统的并行计算模型无法有效的解决迭代计算（iterative）和交互式计算（interactive）；而Spark的使命便是解决这两个问题，这也是他存在的价值和理由。

（2）    Spark如何解决迭代计算？

其主要实现思想就是RDD，把所有计算的数据保存在分布式的内存中。迭代计算通常情况下都是对同一个数据集做反复的迭代计算，数据在内存中将大大提升IO操作。这也是Spark涉及的核心：内存计算。

（3）    Spark如何实现交互式计算？

因为Spark是用scala语言实现的，Spark和scala能够紧密的集成，所以Spark可以完美的运用scala的解释器，使得其中的scala可以向操作本地集合对象一样轻松操作分布式数据集。

（4）    Spark和RDD的关系？

RDD是一种具有容错性、基于内存计算的抽象方法，RDD是Spark Core的底层核心，Spark则是这个抽象方法的实现。

3. 创建RDD

1）由一个已经存在的Scala集合创建。

val rdd1 = sc.parallelize(Array(1,2,3,4,5,6,7,8))

2）由外部存储系统的文件创建。包括本地的文件系统，还有所有Hadoop支持的数据集，比如HDFS、Cassandra、HBase等。

val rdd2 = sc.textFile("/words.txt")

3）已有的RDD经过算子转换生成新的RDD

val rdd3=rdd2.flatMap(_.split(" "))