Spark 之Spark三大数据结构

---

前言

本文介绍有关Spark的三大数据结构：RDD、广播变量、累加器的相关知识。

---

Spark 知识系列文章

   此处罗列了有关Spark相关知识的其他文章，有需要的可以进行点击查阅。

   Spark 之 Spark框架及部署

   Spark 之 RDD转换算子

   Spark 之 RDD行动算子

   Spark 之 SparkSQL

   Spark 之 SparkStreaming

一、RDD弹性分布式数据集

1.1 RDD定义以及框架

  RDD是最基本的逻辑抽象，它代表一个不可变、可分区、里面的元素可并行计算的集合；

  图片展示的是用Spark实现WordCount案例，具体实现在Spark 之 Spark框架及部署博文中展示过了；

1.2 特点

  RDD表示只读的分区的数据集，对RDD进行改动，只能通过RDD的转换操作，由一个RDD得到一个新的RDD，新的RDD包含了从其他RDD衍生所必需的信息。RDDs之间存在依赖，RDD的执行是按照血缘关系延时计算的。如果血缘关系较长，可以通过持久化RDD来切断血缘关系。

1.3 创建RDD

  在Spark中创建RDD的创建方式可以分为三种：从集合中创建RDD；从外部存储创建RDD；从其他RDD创建（血缘关系）。

1.4 算子

  解决问题其实是将问题的初始状态通过一系列的操作（Operate）（算子）对问题的状态进行转换，然后达到完成的状态。

  Spark中所有的RDD都是算子，但是分为两大类：转换算子，行动算子，在博文Spark 之 RDD转换算子 、 Spark 之 RDD行动算子 中有详细介绍。

1.5 RDD依赖关系

  RDD只支持粗粒度转换，即在大量记录上执行的单个操作。将创建RDD的一系列Lineage（血统）记录下来，以便恢复丢失的分区。RDD的Lineage会记录RDD的元数据信息和转换行为，当该RDD的部分分区数据丢失时，它可以根据这些信息来重新运算和恢复丢失的数据分区。

1.5.1 窄依赖

  窄依赖指的是每一个父RDD的Partition最多被子RDD的一个Partition使用

1.5.2 宽依赖

  宽依赖是多个子RDD的Partition会依赖同一个父RDD的Partition，会引起shuffle

1.6 RDD任务划分

RDD任务切分中间分为：Application、Job、Stage和Task

1）Application：初始化一个SparkContext即生成一个Application

2）Job：一个Action算子就会生成一个Job

3）Stage：根据RDD之间的依赖关系的不同将Job划分成不同的Stage，遇到一个宽依赖则划分一个Stage。（stage 个数 = 1 + shuffle的个数）

4）Task：Stage是一个TaskSet，将Stage划分的结果发送到不同的Executor执行即为一个Task。一般来说，一个阶段的任务个数取决于阶段最后一步的分区个数，分区有几个就会有几个任务。

注意：Application->Job->Stage-> Task每一层都是1对n的关系。

1.7 RDD数据分区器

  Spark目前支持Hash分区和Range分区，用户也可以自定义分区，Hash分区为当前的默认分区，Spark中分区器直接决定了RDD中分区的个数、RDD中每条数据经过Shuffle过程属于哪个分区和Reduce的个数；

注意：
(1)只有Key-Value类型的RDD才有分区器的，非Key-Value类型的RDD分区器的值是None；

(2)每个RDD的分区ID范围：0~numPartitions-1，决定这个值是属于那个分区的。

1.7.1 Hash分区

  HashPartitioner分区的原理：对于给定的key，计算其hashCode，并除以分区的个数取余，如果余数小于0，则用余数+分区的个数（否则加0），最后返回的值就是这个key所属的分区ID。

  HashPartitioner分区弊端：可能导致每个分区中数据量的不均匀，极端情况下会导致某些分区拥有RDD的全部数据。

1.7.2 Ranger分区（很少使用）

  RangePartitioner作用：将一定范围内的数映射到某一个分区内，尽量保证每个分区中数据量的均匀，而且分区与分区之间是有序的，一个分区中的元素肯定都是比另一个分区内的元素小或者大，但是分区内的元素是不能保证顺序的。简单的说就是将一定范围内的数映射到某一个分区内。

二、 累加器

  因为如果只是简单的遍历RDD中的数据进行求和，我们事先要定义sum = 0之后累加，但是sum在Driver中，当将累加的任务分发给Executor时，每个Executor会进行求和的操作，但是并不会将结果返回到Driver中。

2.1 运用累加器求数据之和

三、 广播变量：分布式只读共享变量 - 调优策略

  事先两个RDD的join操作；因为join操作会做笛卡尔乘积然后进行shuffle操作，所以效率会很低；可以用单独的变量list来进行map操作，但是需要将Driver中的数据传输到每个Executor中，效率比较低，所以用广播变量，使该变量变成只读共享变量来提高效率。

---

总结

本文介绍有关Spark的三大数据结构：RDD、广播变量、累加器的知识，如果有不足之处或者表述不当的地方欢迎大家指正。