spark数据结构之RDD

学习spark，RDD是一个逃不过去的话题，那么接下来我们看看RDD

---

1.什么是RDD?

　　RDD叫做弹性分布式数据集，是Spark中最基本的数据抽象，代表一个不可变、可分区、里面元素可以并行计算的集合。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的将工作集缓存在内存中，后续的查询能够重用工作集，极大的提升了查询速度

2RDD的属性

　　(1)一组分片，就是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的时候指定RDD的分片个数，如果没有指定，那么就会采用默认值。

　　(2)一个计算每个分区的函数。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，不需要保存每次的计算结果。

　　(3)RDD之间的依赖关系。RDD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的时候，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分区进行重新计算。

　　(4)一个partition,就是RDD的分片函数。当前Spark中实现了两种类型的分片函数，一个是基于HashPartitioner，另一个是基于方位的RangePartitioner。只有对于key-value的RDD，才会有Parition，非key-value的RDD的partition的值是None。Partiotion函数不但决定了RDD本身的分片数量，也决定了parent RDD Shuffle输出的分片数量

　　(5)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"移动移动数据不如移动计算"的理念，Spark在金sing任务调度的时候，会尽可能的将计算任务分配到其所要处理的数据块的存储位置

　　(6)RDD(弹性分布式数据集)，是spark中的一个基本抽象，代表了一个不可变的分区的元素的集合，可以运行在一个并行的集合上，这个类包含了可以运行在所有的RDD上的基本的操作，例如map，filter以及persist。除此之外，org.apache.spark.rdd.PairedRDDFunctions包含仅能在RDDkey-value对上操作，如groupBy以及join操作。

　　(7)每个RDD包含了五个主要的属性：

　　　　(1)是一个分区列表

　　　　(2)针对每个切片的计算函数

　　　　(3)对其他RDD的依赖列表

　　　　(4)可选的，如果是KeyValueRDD的话，可以带一个分区类

　　　　(5)可选，首选块位置列表(主要针对hdfs block块的)