RDD学习总结

RDD：Resilient Distributed Datasets（弹性分布式数据集）

RDD五大特征

1. A list of partitions
2. A function for computing each split
3. A list of dependencies on other RDDs
4. Optionally, a Partitioner for key-value RDDs (e.g. to say that the RDD is hash-partitioned)
5. Optionally, a list of preferred locations to compute each split on (e.g. block locations for an HDFS file)

（1）有一个分片列表，就是能被切分，和Hadoop一样，能够切分的数据才能并行计算。

　　一组分片（partition），即数据集的基本组成单位，对于RDD来说，每个分片都会被一个计算任务处理，并决定并行计算的粒度。用户可以在创建RDD时指定RDD的分片个数，如果没有指定，那么就会采用默认值。默认值就是程序所分配到的CPU
Core的数目。每个分配的存储是由BlockManager实现的，每个分区都会被逻辑映射成BlockManager的一个Block，而这个Block会被一个Task负责计算。

　　
（2）由一个函数计算每一个分片，这里指的是下面会提到的compute函数。

Spark中的RDD的计算是以分片为单位的，每个RDD都会实现compute函数以达到这个目的。compute函数会对迭代器进行复合，不需要保存每次计算的结果。

（3）对其他RDD的依赖列表，依赖还具体分为宽依赖和窄依赖，但并不是所有的RDD都有依赖。

RDD的每次转换都会生成一个新的RDD，所以RDD之间就会形成类似于流水线一样的前后依赖关系。在部分分区数据丢失时，Spark可以通过这个依赖关系重新计算丢失的分区数据，而不是对RDD的所有分区进行重新计算。

（4）可选：key-value型的RDD是根据哈希来分区的，类似于mapreduce当中的paritioner接口，控制Key分到哪个reduce。

一个partitioner，即RDD的分片函数。当前Spark中实现了两种类型的分片函数，一个是基于哈希的HashPartitioner，另外一个基于范围的RangePartitioner。只有对于key-value的RDD，才会有Partitioner，非key-value的RDD的Partitioner的值是None。Partitioner函数不但决定了RDD本身的分片数量，也决定了parent
RDD Shuffle输出时的分片数量。

（5）可选：每一分片的优先计算位置，比如HDFS的block的所在位置应该是优先计算的位置。

一个列表，存储存取每个Partition的优先位置（preferred
location）。对于一个HDFS文件来说，这个列表保存的就是每个Partition所在的块的位置。按照“移动数据不如移动计算”的理念，Spark在进行任务调度的时候，会尽可能地将计算任务分配到其所要处理数据块的存储位置。

1，RDD的创建
（a）来自集合， 如：

val data = Array(1, 2, 3, 4, 5)val distData = sc.parallelize(data)

（b）来自本地文件系统，如：

val distFile = sc.textFile("data.txt")

（c）来自外部数据源，如HDFS，HBase

 val distFile = sc.textFile("hdfs://maseter:9000/input/data.txt")

2，Transformations
转换，将一个RDD转换成另一个RDD
Lazy：懒执行。
Lineage：血统。

3，Actions
触发计算，进行实际数据处理。

4，Persistent
cache，是persistent特殊缓存方式，将RDD放到内存中。
cache，延迟执行，需要在一个action执行后进行缓存RDD。

参考资料：
1,http://spark.apache.org/docs/latest/programming-guide.html#resilient-distributed-datasets-rdds
2,http://www.cnblogs.com/zlslch/p/5723742.html
3,http://blog.csdn.net/stark_summer/article/details/50218641