Spark---RDD介绍

1.Spark核心编程

Spark为了能够进行高并发和高吞吐的数据处理，封装了三大数据结构，用于处理不同的应用场景。

RDD:弹性分布式数据集
累加器：分布式共享只写变量
广播变量：分布式共享只读变量

2.RDD介绍

RDD（Resilient Distributed Dataset）叫做弹性分布式数据集，是 Spark 中最基本的数据处理模型。代码中是一个抽象类，它代表一个弹性的、不可变、可分区、里面的元素可并行计算的集合。简单的来说，RDD在程序中就是一个包含数据和逻辑的抽象类。RDD是一个最小计算单元。

2.1.RDD基本原理

IO原理：将数据读取成为字符

对WordCount案例进行分解，可以更好的帮助理解RDD。

RDD数据处理方式类似于IO流，也使用到了装饰者设计模式，它只有在执行了collect方法之后才会执行真正的业务逻辑操作，在之前全部都是对功能的扩展。
在IO中数据会被临时存储在缓冲区中，达到一定的阈值写出，但是在RDD中是不会临时存储数据的。
RDD的基本原理就是通过组合多个RDD来实现对功能的扩展。

注意;具体功能都是由RDD的子类来实现的

2.2 RDD特点

1.弹性

2.分布式 ：数据存储在大数据集群的不同节点上

3.数据集 ：RDD封装了计算逻辑，并不保存数据

4.数据抽象 ：RDD是一个抽象类，具体实现由子类来实现

5. 不可变：RDD封装了计算的逻辑，是不可以随意改变的，如果想要改变，则需要产生新的RDD，在新的RDD里面封装计算逻辑

6. 可分区，并行计算：对读取进来的数据进行分区，之后将不同分区的数据发送给不同的Executor来处理。

2.3 RDD核心属性

2.3.1 分区列表

RDD 数据结构中存在分区列表，用于执行任务时并行计算，是实现分布式计算的重要属性。

2.3.2 分区计算函数

Spark 在计算时，是使用分区函数对每一个分区进行计算

2.3.3 RDD 之间的依赖关系

RDD 是计算模型的封装，当需求中需要将多个计算模型进行组合时，就需要将多个 RDD 建立依赖关系

2.3.4 分区器

当数据为 KV 类型数据时，可以通过设定分区器自定义数据的分区

2.3.5 首选位置

计算数据时，可以根据计算节点的状态选择不同的节点位置进行计算，即移动数据不如移动计算。

2.3 执行原理

Spark在数据处理的过程中需要计算资源，如内存、CPU和计算逻辑等。

Spark 框架在执行时，先申请资源，然后将应用程序的数据处理逻辑分解成一个一个的计算任务。然后将任务发到已经分配资源的计算节点上, 按照指定的计算模型进行数据计算。最后得到计算结果。
2.Spark 通过申请资源创建调度节点和计算节点

3.Spark 框架根据需求将计算逻辑根据分区划分成不同的任务

4.调度节点将任务根据计算节点状态发送到对应的计算节点进行计算

3.RDD基础编程

3.1 RDD创建

1.从集合（内存）中创建 RDD

val rdd1 = sparkContext.parallelize(
 List(1,2,3,4)
)
val rdd2 = sparkContext.makeRDD(
 List(1,2,3,4)
)

其中makeRDD方法的底层就是实现了paralleize方法

2.从外部存储（文件）创建 RDD

val fileRDD: RDD[String] = sparkContext.textFile("input")

3.2 RDD 并行度与分区

默认情况下，Spark 可以将一个作业切分多个任务后，发送给 Executor 节点并行计算，而能够并行计算的任务数量我们称之为并行度。(cpu核数就是并行度) 这个数量可以在构建 RDD 时指定。

sparkContext.makeRDD(
 List(1,2,3,4),
 4)//设置并行度为4
val fileRDD: RDD[String] =
 sparkContext.textFile(
 "input",
 2)//设置并行度为2

读取内存数据时，数据可以按照并行度的设定进行数据的分区操作