第14课：Spark RDD解密

以下为Spark RDD解密课程学习心得：

    在介绍Spark RDD之前，先简单的说下Hadoop MapReduce，它是基于数据流的方式进行计算，从物理存储上加载数据，然后操作数据，

最后写入到物理存储设备上，这样的模式会产生大量的中间结果。

    MapReduce不适合场景：1.不适合大量迭代计算场景，2.交互式查询（重点是：基于数据流的方式不能复用中间的计算结果）

而Spark RDD是基于工作集的方式，RDD名称叫：弹性式分布式数据集。

    RDD的弹性式主要分为以下几点：

       1.自动进行内存和磁盘数据的存储切换；

       2.基于Lineage的高效容错；

       3.Task如果失败会自动进行特定次数的重试；

       4.Stage如果失败会自动进行特定次数的重试，而且只会计算失败的分片；

       5.Checkpoint和persist的容错

       6.数据调度弹性，和DAG、JobScheduler等无关

       7.数据分片的高度弹性，可以手动设定分片的数量，设定分片函数：repartition默认进行     shuffle机制，可以选择coalesce函数进行分片设置

    RDD是数据分片的集合，分布在集群上，每个分片的计算逻辑是一样的。

    RDD常规容错方式：checkpoint和记录数据更新方式

    RDD通过记录更新数据方式为何高效？

        1.RDD集合是不可变的，计算是Lazy模式

        2.RDD的更新是粗粒度操作，写操作可以是粗粒度也可以是细粒度模式

    RDD的缺陷：1.不支持细粒度的更新操作；

               2.不支持增量迭代计算;

    

备注：

资料来源于：DT_大数据梦工厂（IMF传奇行动绝密课程）-IMF

更多私密内容，请关注微信公众号：DT_Spark

如果您对大数据Spark感兴趣，可以免费听由王家林老师每天晚上20：00开设的Spark永久免费公开课，地址YY房间号：68917580

Life is short，you need to Spark.