大数据开发-Spark-一文理解常见RDD

1.五个基本Properties

• A list of partitions
• A function for computing each split
• A list of dependencies on other RDDs
• Optionally, a Partitioner for key-value RDDs (e.g. to say that the RDD is hash-partitioned)
• Optionally, a list of preferred locations to compute each split on (e.g. block locations for an HDFS file)

这是RDD的源码中注释中写到的，下面介绍这五种特征属性

1.1 分区

一组分片（Partition），即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时指定RDD的分片个数，如果没有指定，那么就会采用默认值

1.2 计算的函数

一个对分区数据进行计算的函数。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
达到该目的。compute函数会对迭代器进行组合，不需要保存每次计算的结果

1.3 依赖关系

RDD之间的存在依赖关系。RDD的每次转换都会生成一个新的RDD，RDD之间形成类似于流水线一样的前后依
赖关系（lineage）。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

1.4 分区器

对于 key-value 的RDD而言，可能存在分区器（Partitioner）。Spark 实现了两种类型的分片函数，一个是基于
哈希的HashPartitioner，另外一个是基于范围的RangePartitioner。只有 key-value 的RDD，才可能有
Partitioner，非key-value的RDD的Parititioner的值是None。Partitioner函数决定了RDD本身的分片数量，也
决定了parent RDD Shuffle输出时的分片数量

1.5 优先存储位置

一个列表，存储存储每个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“移动数据不移动计算”的理念，Spark在任务调度的时候，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

2. RDD转换之间的常见算子

从前面的RDD的基本特征入手，在工作中常编写的程序是，创建RDD，RDD的转换，RDD的算子的执行，创建对应着外部系统的数据流入Spark集群的必选步骤，至于之间从集合创建的数据，一般在测试时候使用，所以不细述，RDD的转换对应一个专门的算子叫Transformation其是惰性加载使用的, 而行动对应着触发Transformation执行的操作，一般是输出到集合，或者打印出来，或者返回一个值，另外就是从集群输出到别的系统，这有一个专业词叫Action.

2.1 常见转换算子

转换算子，即从一个RDD到另外一个RDD的转换操作，对应一些内置的Compute函数，但是这些函数被有没有shuffle来分为宽依赖算子和窄依赖算子

2.1.1 宽依赖和窄依赖的区别

一般网上文章有两种，一种是搬运定义的，即是否一个父RDD分区会被多个子分区依赖，另外一种是看有没有Shuffle，有Shuffle就是宽依赖，没有则是窄依赖，第一种还靠谱点，第二种就是拿本身来说本身，所以没有参考价值，2.1.3 如何区别宽依赖和窄依赖，可以之间看这个

2.1.2 宽依赖和窄依赖的常见算子

窄依赖常见算子

map(func)：对数据集中的每个元素都使用func，然后返回一个新的RDD
filter(func)：对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)：与 map 类似，每个输入元素被映射为0或多个输出元素
mapPartitions(func)：和map很像，但是map是将func作用在每个元素上，而mapPartitions是func作用在整个分
区上。假设一个RDD有N个元素，M个分区（N >> M），那么map的函数将被调用N次，而mapPartitions中的函数
仅被调用M次，一次处理一个分区中的所有元素
mapPartitionsWithIndex(func)：与 mapPartitions 类似，多了分区的索引值的信息

glom()：将每一个分区形成一个数组，形成新的RDD类型 RDD[Array[T]]
sample(withReplacement, fraction, seed)：采样算子。以指定的随机种子(seed)随机抽样出数量为fraction的数
据，withReplacement表示是抽出的数据是否放回，true为有放回的抽样，false为无放回的抽样

coalesce(numPartitions,false)：无shuffle，一般用来减少分区

union(otherRDD) : 求两个RDD的并集

cartesian(otherRDD)：笛卡尔积

zip(otherRDD)：将两个RDD组合成 key-value 形式的RDD，默认两个RDD的partition数量以及元素数量都相同，否
则会抛出异常。

map 与 mapPartitions 的区别
map：每次处理一条数据
mapPartitions：每次处理一个分区的数据，分区的数据处理完成后，数据才能释放，资源不足时容易导致
OOM
最佳实践：当内存资源充足时，建议使用mapPartitions，以提高处理效率

宽依赖常见算子

groupBy(func)：按照传入函数的返回值进行分组。将key相同的值放入一个迭代器

distinct([numTasks]))：对RDD元素去重后，返回一个新的RDD。可传入numTasks参数改变RDD分区数

coalesce(numPartitions, true)：有shuffle，无论增加分区还是减少分区，一般用repartition来代替

repartition(numPartitions)：增加或减少分区数，有shuffle

sortBy(func, [ascending], [numTasks])：使用 func 对数据进行处理，对处理后的结果进行排序

intersection(otherRDD) : 求两个RDD的交集

subtract (otherRDD) : 求两个RDD的差集

2.1.3 如何区别宽依赖和窄依赖

这里我建议理解不了的算子，直接从Spark的history的依赖图来看，有没有划分Stage,如果划分了就是宽依赖，没有划分就是窄依赖，当然这是实战派的做法，可以在同事或者同学说明问题的时候，show your code 给他，然后把依赖图拿给他 ,当然作为理论加实践的并行者，我这里再拿一种来判别，是从理解定义开始的，定义说是父RDD分区有没有被多个子分区依赖，那可以从这个角度想一下，父分区单个分区数据，有没有可能流向不同的子RDD的分区，比如想一想distinct算子，或者sortBy算子，全局去重和全局排序，假设刚开始1，2，3在一个分区，经过map(x => (x, null)).reduceByKey((x, y) => x).map(_._1) 去重后，虽然分区数量没有变，但是每个分区数据必然要看别的分区的数据，才能知道最后自己要不要保留，从输入分区，到输出分区，必然经过汇合重组，所以必然有shuffle的。sortBy同理。

2.2 常见行动算子

Action触发Job。一个Spark程序(Driver程序)包含了多少 Action 算子，那么就有多少Job；
典型的Action算子: collect / count
collect() => sc.runJob() => ... => dagScheduler.runJob() => 触发了Job

`collect() / collectAsMap()
stats / count / mean / stdev / max / min
reduce(func) / fold(func) / aggregate(func)`

first()：Return the first element in this RDD
take(n)：Take the first num elements of the RDD
top(n)：按照默认（降序）或者指定的排序规则，返回前num个元素。
takeSample(withReplacement, num, [seed])：返回采样的数据
foreach(func) / foreachPartition(func)：与map、mapPartitions类似，区别是 foreach 是 Action
saveAsTextFile(path) / saveAsSequenceFile(path) / saveAsObjectFile(path)

3. PairRDD常见操作

RDD整体上分为 Value 类型和 Key-Value 类型。
前面介绍的是 Value 类型的RDD的操作，实际使用更多的是 key-value 类型的RDD，也称为 PairRDD。
Value 类型RDD的操作基本集中在 RDD.scala 中；
key-value 类型的RDD操作集中在 PairRDDFunctions.scala 中；

前面介绍的大多数算子对 Pair RDD 都是有效的，RDD的值为key-value的时候即可隐式转换为PairRDD, Pair RDD还有属于自己的 Transformation、Action 算子；

3.1 常见PairRDD的Transformation操作

3.1.1 类似 map 操作

mapValues / flatMapValues / keys / values，这些操作都可以使用 map 操作实现，是简化操作。

3.1.2 聚合操作【重要、难点】

PariRDD(k, v)使用范围广，聚合
groupByKey / reduceByKey / foldByKey / aggregateByKey
combineByKey（OLD） / combineByKeyWithClassTag （NEW） => 底层实现
subtractByKey：类似于subtract，删掉 RDD 中键与 other RDD 中的键相同的元素

结论：效率相等用最熟悉的方法；groupByKey在一般情况下效率低，尽量少用

3.1.3 排序操作

sortByKey：sortByKey函数作用于PairRDD，对Key进行排序

3.1.4 join操作

cogroup / join / leftOuterJoin / rightOuterJoin / fullOuterJoin

val rdd1 = sc.makeRDD(Array((1,"Spark"), (2,"Hadoop"), (3,"Kylin"), (4,"Flink")))
val rdd2 = sc.makeRDD(Array((3,"李四"), (4,"王五"), (5,"赵六"), (6,"冯七")))
val rdd3 = rdd1.cogroup(rdd2)
rdd3.collect.foreach(println)
rdd3.filter{case (_, (v1, v2)) => v1.nonEmpty & v2.nonEmpty}.collect
// 仿照源码实现join操作
rdd3.flatMapValues( pair =>
for (v <- pair._1.iterator; w <- pair._2.iterator) yield (v, w)
)
val rdd1 = sc.makeRDD(Array(("1","Spark"),("2","Hadoop"),("3","Scala"),("4","Java")))
val rdd2 = sc.makeRDD(Array(("3","20K"),("4","18K"),("5","25K"),("6","10K")))
rdd1.join(rdd2).collect
rdd1.leftOuterJoin(rdd2).collect
rdd1.rightOuterJoin(rdd2).collect
rdd1.fullOuterJoin(rdd2).collect

3.1.5 Action操作

collectAsMap / countByKey / lookup(key)

lookup(key)：高效的查找方法，只查找对应分区的数据（如果RDD有分区器的话

4.寄语

实战出真知，想要某种实现的时候，假设恰好你想到某个算子，那么去使用它，不懂的地方看源码，大业可成！
吴邪，小三爷，混迹于后台，大数据，人工智能领域的小菜鸟。
更多请关注