Spark RDD详解

1.RDD是什么

RDD（Resilient Distributed Dataset）：是Spark的核心数据结构，指的是一个只读的、可分区的分布式数据集，这个数据集的全部或部分可以缓存在内存中，在多次计算间重用。
 RDD 是只读的
 RDD 是分区记录的集合
 RDD 是容错的
 RDD 是高效的
 RDD 不需要物化

 RDD 可以缓存的

2.RDD的产生

1.传统的MapReduce虽然具有自动容错、平衡负载和可拓展性的优点，但是其最大缺点是采用非循环式的数据流模型，使得在迭代计算式要进行大量的磁盘IO操作。RDD正是解决这一缺点的抽象方法。
2. RDD的具体描述RDD（弹性数据集）是Spark提供的最重要的抽象的概念，它是一种有容错机制的特殊集合，可以分布在集群的节点上，以函数式编操作集合的方式，进行各种并行操作。可以将RDD理解为一个具有容错机制的特殊集合，它提供了一种只读、只能有已存在的RDD变换而来的共享内存，然后将所有数据都加载到内存中，方便进行多次重用。①它是分布式的，可以分布在多台机器上，进行计算。②它是弹性的，计算过程中内存不够时它会和磁盘进行数据交换。③这些限制可以极大的降低自动容错开销。④实质是一种更为通用的迭代并行计算框架，用户可以显示的控制计算的中间结果，然后将其自由运用于之后的计算。

3. RDD的容错机制实现分布式数据集容错方法有两种：数据检查点和记录更新RDD采用记录更新的方式：记录所有更新点的成本很高。所以，RDD只支持粗颗粒变换，即只记录单个块上执行的单个操作，然后创建某个RDD的变换序列（血统）存储下来；变换序列指，每个RDD都包含了他是如何由其他RDD变换过来的以及如何重建某一块数据的信息。因此RDD的容错机制又称“血统”容错。 要实现这种“血统”容错机制，最大的难题就是如何表达父RDD和子RDD之间的依赖关系。

3.RDD在Spark中的地位及作用

Spark解决迭代计算的主要实现思想就是RDD，把所有计算的数据保存在分布式的内存中。迭代计算通常情况下都是对同一个数据集做反复的迭代计算，数据在内存中将大大提升IO操作。这也是Spark涉及的核心：内存计算。Spark和RDD的关系可以理解为：RDD是一种具有容错性基于内存的集群计算抽象方法，Spark则是这个抽象方法的实现。

4.RDD的创建方式

 从普通Scala集合创建，如：val arrRDD = sc. parallelize(0 to 9)
 从Hadoop文件系统或与Hadoop兼容的其他持久化存储系统创建，如Hive、HBase。如：val textFile = sc.textFile("hdfs://...")

 从父RDD转换得到新的RDD

5.父RDD与子RDD的依赖关系

窄依赖（narrow dependencies）
 子RDD的每个分区依赖于常数个父RDD分区（即与数据规模无关）
 输入输出一对一的算子，且结果RDD的分区结构不变，如map、flatMap
 输入输出一对一，但结果RDD的分区结构发生变化，如union、coalesce
 从输入中选择部分元素的算子，如filter、distinct、subtract、sample
宽依赖（wide dependencies）
 子RDD的每个分区依赖于所有父RDD分区
 对单个RDD基于Key进行重组和Reduce，如groupByKey、reduceByKey

 对两个RDD基于Key进行Join和重组，如join

6.RDD的两种操作算子

 Transformation
Transformation操作是延迟计算的，即从一个RDD转换成另一个RDD的转换操作不是 马上执行，需要等到有Action操作时，才真正出发执行。
常用的Transformation函数：

 Action
Action算子会出发Spark提交作业（Job），并将数据输出到Spark系统。
常用的Action函数：

相关文献：

http://f.dataguru.cn/thread-475874-1-1.html

《Spark大数据处理》