Spark-RDD介绍（详细）
spark rdd
- RDD介绍
- 1、RDD是什么？
- 2、RDD的特性
- RDD的创建
- 1、由集合创建RDD
- 2、加载文件成RDD
- 3、通过RDD的转换形成新的RDD
- RDD的转换算子
- 1、RDD转换概述
- 2、常用的RDD转换算子
- RDD的动作算子
- 1、RDD动作概述
- 2、常用的RDD动作算子
- RDD的依赖关系
- 1、遗传
- 2、依赖
- 3、窄依赖
- 4、宽依赖
- 5、宽依赖和窄依赖的对比
RDD介绍
1、RDD是什么？
RDD：即弹性分布式数据集，它具备像MapReduce等数据流模型的容错特性，能在并行计算中高效地进行数据共享进而提升计算性能。RDD中提供了一些转换操作，在转换过程中记录“血统”关系，但在RDD中并不会存储真正的数据，只是对数据和操作的描述。
RDD是只读的、分区记录的集合。
2、RDD的特性
RDD有5大特性，分别如下：
（1）一系列的分区信息。
RDD源码对应的方法是：
protected def getPartitions:Array[Partition]
（2）由一个函数计算每一个分片。
Spark中的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。
def compute(split:Partition,context:TaskContext):Iterator[T]
（3）RDD之间的依赖关系。
RDD的每次转换都会生成一个新的RDD，那么多个RDD之间就有前后的依赖关系。在某个分区的数据丢失时，Spark可以通过这种依赖关系重新计算丢失的分区数据，而不需要从头对RDD的所有分区数据进行计算。
protected def getDependencies:Seq[Dependency[_]]=deps
（4）Partitioner是RDD中的分区函数。
可以使得数据按照一定的规则分配到指定的Reducer上去处理。当前Spark中有两种类型的分区函数：一个是基于Hash的HashPartitioner，另一个是基于范围的RangePartitioner。普通数据的Partitioner为None，只有遇到的RDD数据是key-value才会有Partitioner，比如在使用join或者group by时。
@transient val partitioner:Option[Partitioner]=None
（5）最佳位置列表。
一个RDD会对应多个Partitioner，那么这些Partitioner最佳的计算位置在哪里？对于HDFS文件来说，最佳位置列表保存的每个分区所在的数据块的位置。按照“移动数据不如移动计算”的理念，Spark在进行任务调度时会尽可能地将计算任务分派到其所在处理数据块的存储位置。
protected def getPreferredLocations(split:Partition):Seq[String]=Nil
RDD的创建
有3种方式可以创建RDD。分别如下介绍：
1、由集合创建RDD
Spark会将集合中的数据拷贝到集群上去，形成一个分布式的数据集合，也就是一个RDD；相当于集合中的一部分数据会到一个节点上，而另一部分数据会到其他节点上；然后就可以用并行的方式来操作这个分布式数据集合。
val rdd = sc.parallelize(List(1,2,3,4,5,6)
rdd.count
val rdd = sc.parallelize(List(1,2,3,4,5,6),3)
rdd.count
上面两种写法结果是一样的，只是分区数不一样。通过WebUI可以发现它们的任务数量不一样。从RDD的特性来看，有多少个分区就有多少个任务，它们之间是一 一对应的。
2、加载文件成RDD
通过调用SparkContext的textFile()方法，可以读取本地文件或HDFS文件创建RDD，文件中的每一行就是RDD中的一个元素。
# 准备处理的数据：hello.txt
hello world hello
hello welcome world
#Spark处理本地文件
val distFile = sc.textFile("file:///root/hello.txt")
#Spark处理HDFS上的文件
cd ~/data
hadoop fs -put hello.txt / #上传本地文件到HDFS
val disFile = sc.textFile("hdfs://192.168.48.141:8020/hello.txt")
disFile.count
注意事项：
（1）如果是在本地测试本地文件，有一份文件即可；如果是在Spark集群上测试本地文件，需要将文件拷贝到所有Worker Node上。因为Spark是分布式执行的，任务会被分配到不同的节点上去执行。
（2）Spark的textFile()方法支持针对目录、压缩文件以及通配符进行RDD创建。
textFile("/my/directory")
textFile("/my/directory/*.txt")
（3）Spark默认会为HDFS文件的每一个数据块创建一个分区，但是也可以通过textFile()的第二个参数手动设置分区数量，只能比数据块数量多，不能比数据块数量少。
3、通过RDD的转换形成新的RDD
具体如下面（RDD的转换算子）的描述。
RDD的转换算子
1、RDD转换概述
RDD中的所有转换都不会直接计算结果。相反地，它们只是记录了作用于RDD上的操作。只有在遇到一个动作（Action）时才会进行计算。如图：
2、常用的RDD转换算子
如表所示：
| 算子 | 描述 |
|---|---|
| map(func) | 对调用map的RDD数据集中的每个元素都使用func，然后返回一个新的RDD，这个返回的数据集是分布式的数据集 |
| filter(func) | 对调用filter的RDD数据集中的每个元素都使用func，然后返回一个包含使func为true的元素构成的RDD |
| flatMap(func) | 和map差不多，但是flatMap生成的是多个结果 |
| mapPartitions(func) | 和map很像，但是map是针对每个元素，而这个是针对每个分区 |
| sample(withReplacement,faction,seed) | 抽样 |
| union(otherDataset) | 返回一个新的数据集，包含源数据集和给定数据集的元素的集合 |
| distinct([numTasks]) | 返回一个新的数据集，这个数据集含有的是源数据集中不重复的元素 |
| groupByKey(numTasks) | 返回(K,Seq[V])，也就是Hadoop中reduce函数接收的key-value的列表 |
| reduceByKey(func,[numTasks]) | 用一个给定的reduce函数再作用于groupByKey产生的(K,Seq[V])，比如求和、求平均数 |
| sortByKey([ascending],[numTasks]) | 按照key来排序，ascending是boolean类型，指定是升序或降序 |
| join(otherDataset,[numTasks]) | 当有两个KV对的数据集(K,V)和(K,W)，返回的是(K,(V,W))的数据集，numTasks为并发的任务数 |
| cogroup(otherDataset,[numTasks]) | 当有两个KV对的数据集(K,V)和(K,W)，返回的是(K,Seq[V],Seq[W])的数据集，numTasks为并发的任务数 |
| cartesian(otherDataset) | 笛卡尔积就是m*n |
（1）map算子
# 把原RDD中每个元素都乘以2 来产生一个新的RDD
val a = sc.parallelize(1 to 9)
val b = a.map(x=>x*2)
a.collect
b.collect
# map也可以把Key变成Key-Value对
val a = sc.parallelize(List("aa","bb","cc"))
val b = a.map(x=>(x,1))
b.collect
（2）filter算子
val a = sc.parallelize(1 to 10)
a.filter(_%2==0).collect
a.filter(_<4).collect
# map综合filter编程：链式编程的使用
val rdd = sc.parallelize(List(1,2,3,4,5))
val mapRdd = rdd.map(2*_)
mapRdd.collect
val filterRdd = mapRdd.filter(_>5)
filterRdd.collect
（3）mapValues算子
原RDD中的Key保持不变，与新的Value一起组成新的RDD中的元素。因此，该算子只适用于元素为键值对的RDD。
val a = sc.parallelize(List("aa","bb","cc"))
val b = a.map(x=>(x.length,x))
b.mapValues("x"+_+"x").collect
RDD的动作算子
1、RDD动作概述
本质上是在动作算子中通过SparkContext执行提交作业的runJob操作，触发了RDD DAG的执行。
2、常用的RDD动作算子
RDD中所有动作都是急迫型的，也就是遇到动作（Action）就是立刻计算。常用动作算子如下表：
| 算子 | 描述 |
|---|---|
| reduce(func) | 聚集，传入的函数是两个参数输入返回一个值，这个函数必须是满足交换律和结合律的 |
| collect() | 一般在过滤或者处理足够小的结果的时候，再用collect封装返回一个数组 |
| count() | 返回的是数据集中的元素的个数 |
| first() | 返回的是数据集的第一个元素 |
| take(n) | 返回前n个元素 |
| countByKey() | 返回的是key对应的个数的一个map，作用于一个RDD |
| foreach(func) | 对数据集中的每个元素都使用func |
| taskSample(withReplacement,num,seed) | 抽样返回一个数据集中的num个元素，seed是随机种子 |
| saveAsTextFile(path) | 把数据集写到一个文本文件、HDFS，或者HDFS支持的文件系统中。Spark把每条记录都转换为一行记录，然后写到文件中 |
| saveAsSequenceFile(path) | 只能用在key-value对上，然后生成SequenceFile写到本地或者Hadoop文件系统中 |
# collect
val a = sc.parallelize(1 to 9,3)
val b = a.map(x=>x*2)
a.collect
# count
val a = sc.parallelize(List("aa","bb","cc"))
a.count
# reduce
val a = sc.parallelize(1 to 100)
a.reduce((x,y)=>x+y))
a.reduce(_+_) //5050
val b = sc.parallelize(Array(("A",0),("A",2),("B",1),("B",2),("C",1)))
b.reduce((x,y)=>{(x._1+y._1,x._2+y._2)}) //(AABBC,6)
# first
val a = sc.parallelize(List("aa","bb","cc"))
a.firest //aa
# take
sc.parallelize(List("aa","bb","cc")).take(2) //Array(aa,bb)
sc.parallelize(1 to 10).take(3) //Array(1,2,3)
# lookup
# 用于(K,V)类型的RDD，指定K值，返回RDD中该K对应的所有V值。
val rdd = sc.parallelize(List(('a',1),('a',2),('b',3),('b',4)))
rdd.lookup('a') //WrappedArray(1,2)
# 最值（max,min）
val y = sc.parallelize(10 to 30)
y.max //30
y.min //10
# 保存RDD数据到文件系统
val rdd = sc.parallelize(1 to 10,2)
rdd.saveAsTextFile("hdfs://192.168.48.141:8020/data/rddsave/")
RDD的依赖关系
1、遗传
RDD最重要的特性之一就是遗传。
遗传信息一直增长，直到遇到动作，才会把前面累积的所有转换一次性执行。每个RDD是知道自己是从哪个父RDD演化而来的，这是Spark容错的核心。如果某个RDD丢失了，则可以通过遗传信息从父RDD快速并行计算得出。
2、依赖
在Spark中，每一个RDD是数据集在某一状态下的表现形式，比如说：map、filter、group by等都算一次操作，这个状态有可能是从前一状态转换而来的。因此换句话说，一个RDD可能与之前的很多RDD有依赖关系。
根据依赖关系不同，可以分为：宽依赖和窄依赖。
如下图（RDD依赖关系图）：
3、窄依赖
定义：一个父RDD的分区至多被子RDD的某个分区使用一次，如下图。
容错：某个分区出故障了，可以快速将丢失的分区并行计算出来。窄依赖可以在单节点上完成运算，非常高效。容错和计算速度都比宽依赖好。
4、宽依赖
定义：一ge父RDD的分区会被子RDD的分区使用多次。即只能前面的算好后才能进行后续的计算，只有等到父分区的所有数据都传输到各个节点后才能计算（经典的MapReduce场景），如下图。
容错：某个分区出故障了，要计算前面所有的父分区，代价会很大。Spark可以把宽依赖的结果集通过StorageLevel设置将数据持久化寸到磁盘、内存或者内存和磁盘中，但分区出故障后直接从持久化（磁盘或者内存）存储中读取即可。
5、宽依赖和窄依赖的对比
相比于宽依赖，窄依赖对优化更有利，主要基于以下两点：
（1）宽依赖往往对应着shuffle操作，需要在运行过程中将同一个父RDD的分区传入到不同的子RDD分区中，中间可能涉及多个节点之间的数据传输；而窄依赖的每个父RDD的分区只会传入到一个子RDD分区中，通常可以在一个节点内完成转换。
（2）当RDD分区丢失时（某个节点故障），Spark会对数据进行重新计算。
对于窄依赖，由于父RDD的一个分区只对应一个子RDD，这样只需要重新计算和子RDD分区对应的父RDD分区即可，所以这个重新计算对数据的利用率是100%。
对于宽依赖，重算的父RDD分区对应多个子RDD分区，这样实际上父RDD中只有一部分数据是被用于恢复这个丢失的子RDD分区的，另一部分数据对应子RDD的其他未丢失分区，这就造成了多余的计算。一般情况下，宽依赖中的子RDD分区通常来自于多个父RDD分区，极端情况下，所有的父RDD分区都要进行重新计算。
如下图，b1分区丢失，则需要重新计算a1、a2和a3，这就产生了冗余计算（a1,a2,a3中对应b2的数据）
ps：望多多支持，后续更新中。。。