Pyspark RDD 概念 属性，如何创建RDD Pyspark(一)

什么是RDD

RDD(Resilient Distributed Dataset)叫做分布式数据集，是Spark中最基本的数据抽象，它代表一个不可变、可分区、里面的元素可并行计算的集合。

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地将工作集缓存在内存中，后续的查询能够重用工作集，这极大地提升了查询速度。

RDD的属性

1) A list of partitions 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。默认值就是程序所分配到的CPU Core的数目。

2) A function for computing each split 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，不需要保存每次计算的结果。

3) A list of dependencies on other RDDs RDD之间的依赖关系。RDD的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。

4) Optionally，a Partitoner for key-value RDDs 一个Partitioner，即RDD的分片函数。当前Spark中实现了两种类型的分片函数，一个是基于哈希的HashPartitioner，另外一个是基于范围的RangePartitioner。只有对于key-value的RDD，才会有Partitioner，非key-value的RDD的Partitioner的值是None。Partitioner函数不但决定了RDD本身的分片数量，也决定了parent RDD Shuffle输出时的分片数量。

5) Optionally，a list of preferred locations to compute each split on 一个列表，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Patition所在的块的位置。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。

RDD创建方式

Parallelize 方式创建

引用本地或者外部的文件

Python

# 本地文件 data_from_file = sc.textFile("file:/Users/songhao/Desktop/demo/log_168/www.168seo.cn.log").

1 2 3

# 本地文件 data_from_file = sc . textFile ( "file:/Users/songhao/Desktop/demo/log_168/www.168seo.cn.log" ) .

Python

# -*- coding: utf-8 -*- """ @Time: 2018/9/4 @Author: songhao @微信公众号: zeropython @File: spark0301.py """ from pyspark import SparkConf,SparkContext #配置 conf = SparkConf().setAppName("spark demo ").setMaster("local[2]") sc = SparkContext(conf=conf) # 业务逻辑 datas = [1,2,3,4,4,32] rdd = sc.parallelize(datas) print(rdd.count(),rdd.collect()) # 停止 sc.stop()

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

# -*- coding: utf-8 -*- """ @Time: 2018/9/4 @Author: songhao @微信公众号: zeropython @File: spark0301.py """ from pyspark import SparkConf , SparkContext   #配置 conf = SparkConf ( ) . setAppName ( "spark demo " ) . setMaster ( "local[2]" ) sc = SparkContext ( conf = conf )   # 业务逻辑 datas = [ 1 , 2 , 3 , 4 , 4 , 32 ] rdd = sc . parallelize ( datas )   print ( rdd . count ( ) , rdd . collect ( ) )   # 停止 sc . stop ( )

• zeropython 微信公众号 5868037 QQ号 [email protected] QQ邮箱