RDD学习总结
来源:互联网 发布:人工智能英文怎么说 编辑:程序博客网 时间:2024/06/05 19:30
RDD:Resilient Distributed Datasets(弹性分布式数据集)
RDD五大特征
- A list of partitions
- A function for computing each split
- A list of dependencies on other RDDs
- Optionally, a Partitioner for key-value RDDs (e.g. to say that the RDD is hash-partitioned)
- 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
- RDD学习总结
- SpaK-RDD学习总结
- RDD Java API 学习总结
- RDD学习
- Spark RDD 核心总结
- Spark RDD 核心总结
- Spark RDD操作总结
- RDD基础学习-[2]RDD分区
- RDD学习笔记
- Spark1.6学习-RDD
- 学习Spark RDD
- spark-RDD学习
- Spark RDD操作(Python)总结
- spark学习三 RDD详解
- Spark学习4: RDD详解
- Spark学习笔记二 RDD
- spark RDD解密学习笔记
- Spark学习笔记 --- RDD详解
- Java map 详解 - 用法、遍历、排序、常用API等
- 几个IPTV监测设备指标
- javascript设计模式(五) 装饰者模式 状态模式
- 基于UDP的用于视频应用的几个协议
- 即兴知识点-1 (读取文件夹中的所有文件,判断文件类型个数,用到正则表达式判断)
- RDD学习总结
- Linux C 多线程编程总结
- Hbase的安装
- android 4.0如何屏蔽和重写home键
- Java中BufferedInputStream和FileInputStream的小实验
- 如何在Android Studio中创建一个selector.xml文件
- U盘安装苹果系统教程,菜鸟一步一步也能成大牛
- IPTV 质量评价方法已经不适用于 OTT TV 质量评价
- C++的小数点后几位和几位有效数字