Apache Spark MLlib学习笔记（二）Spark RDD简介和基本操作

第二篇介绍一下Spark的基本数据抽象——RDD，RDD来自伯克利的一篇论文，也就是http://www.cs.berkeley.edu/~matei/papers/2012/nsdi_spark.pdf
下面就选取一些主要的特性进行介绍：

一、什么是RDD
RDD(Resilient Distributed Datasets)即弹性分布式数据集，RDD提供了一种高度受限的共享内存模型，即RDD是只读的记录分区的集合，只能通过在其他RDD执行确定的转换操作（如map、join和group by）而创建。它具备像MapReduce等数据流模型的容错特性，并且允许开发人员在大型集群上执行基于内存的计算。尽管如此，RDD仍然足以表示很多类型的计算，包括MapReduce和专用的迭代编程模型（如Pregel）等。

二、RDD的高效之处
在论文中，RDD取得了优异的性能指标。实验表明，在处理迭代式应用上Spark比Hadoop快高达20多倍，计算数据分析类报表的性能提高了40多倍，同时能够在5-7秒的延时内交互式扫描1TB数据集。那么为什么RDD可以如此高效呢？主要得益于以下几点：
1、RDD是只读的，而且每个RDD都保留了父子血缘关系，并且在容错时根据关系进行重新计算，避免了数据冗余。
2、RDD的操作全部在内存中进行，避免了效率较低的磁盘I/O操作。
3、RDD中存放的数据可以是java对象，所以避免的不必要的对象序列化和反序列化。

三、RDD的基本操作
RDD的基本操作如下表所示：

RDD提供了两种类型的操作：transformation是得到一个新的RDD，方式很多，比如从数据源生成一个新的RDD，从RDD生成一个新的RDD。action是得到一个值，或者一个结果（直接将RDD cache到内存中）
所有的transformation都是采用的懒策略，就是如果只是将transformation提交是不会执行计算的，计算只有在action被提交的时候才被触发。下面介绍一下RDD的常见操作：（注意是dataset还是RDD）

transformation操作：
1. map(func):对调用map的RDD数据集中的每个element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
2. 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
3. flatMap(func):和map差不多，但是flatMap生成的是多个结果
4. mapPartitions(func):和map很像，但是map是每个element，而
mapPartitions是每个partition
5. mapPartitionsWithSplit(func):和mapPartitions很像，但是func作用的是其中一个split上，所以func中应该有index
6. sample(withReplacement,faction,seed):抽样
7. union(otherDataset)：返回一个新的dataset，包含源dataset和给定dataset的元素的集合
8. distinct([numTasks]):返回一个新的dataset，这个dataset含有的是源dataset中的distinct的element
9. groupByKey(numTasks):返回(K,Seq[V])，也就是hadoop中reduce函数接受的key-valuelist
10. reduceByKey(func,[numTasks]):就是用一个给定的reduce
func再作用在groupByKey产生的(K,Seq[V]),比如求和，求平均数
11. sortByKey([ascending],[numTasks]):按照key来进行排序，是升序还是降序，ascending是boolean类型
12. join(otherDataset,[numTasks]):当有两个KV的dataset(K,V)和(K,W)，返回的是(K,(V,W))的dataset,numTasks为并发的任务数
13. cogroup(otherDataset,[numTasks]):当有两个KV的dataset(K,V)和(K,W)，返回的是(K,Seq[V],Seq[W])的dataset,numTasks为并发的任务数
14. cartesian(otherDataset)：笛卡尔积就是m*n，大家懂的

action操作：
1. reduce(func)：说白了就是聚集，但是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
2. collect()：一般在filter或者足够小的结果的时候，再用collect封装返回一个数组
3. count():返回的是dataset中的element的个数
4. first():返回的是dataset中的第一个元素
5. take(n):返回前n个elements，这个是driver program返回的
6. takeSample(withReplacement，num，seed)：抽样返回一个dataset中的num个元素，随机种子seed
7. saveAsTextFile（path）：把dataset写到一个text
file中，或者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file中
8. 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
9. countByKey()：返回的是key对应的个数的一个map，作用于一个RDD
10. foreach(func):对dataset中的每个元素都使用func

4、RDD样例
论文中给了一个控制台错误日志查找的例子
假定有一个大型网站出错，管理员想检查Hadoop文件系统（HDFS）中的日志文件（TB级大小）来找出原因。通过使用Spark，操作员只需将日志中的错误信息装载到一组节点的内存中，然后执行交互式查询。首先，需要在Spark解释器中输入如下Scala命令：

lines = spark.textFile("hdfs://...")
errors = lines.filter(_.startsWith("ERROR"))
errors.cache()

第1行从HDFS文件定义了一个RDD（即一个文本行集合），第2行获得一个过滤后的RDD，包含的关键字是error，第3行请求将errors缓存。注意在Scala语法中filter的参数是一个闭包。
集群还没有开始执行任何任务。但用户已经可以在RDD上执行相应的动作，例如统计错误消息的数目：

errors.count()

用户还可以在RDD上执行更多的转换操作，并使用转换结果，如：

// 寻找MySQL相关错误:
errors.filter(_.contains("MySQL")).count()
//返回出错时间
//3是制表符分隔
errors.filter(_.contains("HDFS"))
    .map(_.split('\t')(3))
    .collect()