Spark计算的核心RDD

在SparkCore中的一切计算都是基于RDD的，那RDD是个什么东西呢?

RDD是Resilient Distribute Dataset(弹性分布式数据集)的缩写，说白了，RDD可以理解为spark处理数据的基本单位，但是RDD又不是真实的存有数据，它只是具有操作数据的能力，相当于一个租房中介，中介手上掌握了一手的房源信息，而sparkCore就相当于租房子的人，一般直接找到房子不简单，所以我们找到中介，中介向我们提供租房信息，我们在中介提供的信息的基础上进行价格，位置等筛选处理，就相当于spark通过RDD对源数据进行计算。好了，现在我们理解了RDD是个什么东西，现在直接上一个WordCount的scala代码分析来帮助我们更加深入地理解RDD,图片不清晰可单击放大查看高清大图：

看完了以上的WordCount源码分析后相信大家对RDD有一定的理解了，接下来介绍RDD的一些特性。RDD具有五大特性：

1. A list of partitions
2. A function for computing each partition
3. A list of dependencies on other RDDs
4. Optionally, a Partitioner for key-value RDDs
5. Optionally, a list of preferred locations to compute each split on

这个是官网对于RDD的五大特性的解释，翻译过来差不多就是：

1. RDD是由一系列的partition组成的
2. RDD提供的每一个函数实际上是作用于每一个partition上的
3. RDD具有一系列的依赖关系，依赖于其他的RDD
4. 可选项，分区器是作用在KV格式的RDD上的(KV格式的的RDD:如果RDD中的数据是二元组类型的，那么我们就称这个RDD是KV格式的RDD，如上图的pairRDD和resRDD)
5. 可选项，RDD会提供一系列的最佳的计算位置(RDD提供了一个方法接口，直接调用这个方法接口就能拿到RDD所有的partition的分区的位置)

对于第一个特性RDD是由一系列的partition组成的，可以参照下图：

结合WordCount实例的RDD分析：

由上图我们很容易就能看出RDD的依赖关系。RDD的依赖关系还可以用一张人类进化图表示：

进化完成的人类就相当于我们经过一系列处理得到的RDD。

综上，我们可以知道，RDD是sparkCore计算的基本核心，RDD是逻辑上的概念，本身不存储数据，但是具有操作数据的能力，partition也是一样的。
上面用到的WordCount的源码：

package com.hpe.spark

import org.apache.spark.SparkConf
import org.apache.spark.SparkContext

object WordCountSpark {
    def main(args: Array[String]): Unit = {
      //创建配置对象
      val conf = new SparkConf()
      //设置app的名称  有啥用？方便在监控页面找到
      conf.setAppName("WordCount")
      //设置spark的运行模式   local本地运行  用于测试环境
      conf.setMaster("local")
      //创建上下文    他是通往集群的唯一通道
      val sc = new SparkContext(conf)
      /**
       * 处理数据		在sparkCore中一切计算都是基于RDD
       * R(resilient)D(distribute)D(dataset)
       * RDD:弹性分布式数据集
       */
      val lineRDD = sc.textFile("d:/wc.txt")
      //基于lineRDD中的数据，进行分词
      val wordRDD = lineRDD.flatMap { _.split(" ") }
      //将每一个单词基数为1   pairRDD  K:word V:1
      val pairRDD = wordRDD.map { x => (x,1)}
      //将相同的单词分组，组内数据累加  hello:{1,1,1,1,1}
      //restRDD K:word V:count
      //val resRDD = pairRDD.reduceByKey((v1,v2) => v1+v2)
    	val resRDD = pairRDD.reduceByKey(_+_)
      resRDD.foreach(println)
      
      
      sc.stop()
    }
}