Spark Core RDD

ゞ浴缸里的玫瑰 2023-09-29 18:40 136阅读 0赞

## 1. 什么是 RDD ##

源码：`https://github.com/apache/spark`

`A Resilient Distributed Dataset (RDD), the basic abstraction in Spark. Represents an immutable,partitioned collection of elements that can be operated on in parallel.`

`RDD` 是一个弹性的分布式数据集，是 `spark` 的基本抽象，是不可变的，且由多个 `partition` （可理解为分区）构成（可能分布在多条机器上，可以存在内存或磁盘中），可以进行并行操作。

**名词解释**

*  弹性：分布式计算时可容错，即一个节点挂了另一个会起来
 *  不可变：一旦产生就不能被改变

[RDD 源码位置][RDD]

## 2. RDD 特性 ##

单机存储/计算 ====> 分布式（集群）/计算，分布式：考虑的是数据的切割、计算、存储

*  数据存储：切割 `HDFS` 的 `Block`
 *  数据计算，切割（分布式并行计算）`MapReduce/Spark`
 *  存储+计算：`HDFS/S3+MapReduce/Spark`

**RDD 特性**

*  `A list of partitions`：`RDD` 由很多 `partitions` 构成，在 `spark` 中，计算时有多少 `partition` 就对应有多少个 `task` 来执行
 *  `A function for computing each split`：对 `RDD` 做计算，相当于对 `RDD` 的每个 `split` 或 `partition` 做计算
 *  `A list of dependencies on other RDDS`：`RDD` 之间有依赖关系、血缘关系，可溯源
 *  `Optionally, a Partitions for key-value RDDs （e.g. to say that the RDD is hash-partitions）`：若 `RDD` 里面存的数据是 `key-value` 形式，则可以传递一个自定义的 `Partition` 进行重新分区，如可以按 `key` 的 `hash` 值重新分区
 *  `Optionally，a list of preferred locations to compute each split on （e.g. block locations for an HDFS file）`：最优的位置去计算，即数据的本地性（移动数据不如移动计算，移动数据代价太大）

[RDD]: https://github.com/apache/spark/blob/master/core/src/main/scala/org/apache/spark/rdd/RDD.scala