5.spark core之RDD编程
Spark Core之RDD编程
spark提供了对数据的核心抽象——弹性分布式数据集（Resilient Distributed Dataset，简称RDD）。RDD是一个分布式的数据集合，数据可以跨越集群中的多个机器节点，被分区并行执行。
在spark中，对数据的所有操作不外乎创建RDD、转化已有RDD及调用RDD操作进行求值。spark会自动地将RDD中的数据分发到集群中并行执行。
五大特性
- a list of partitions
RDD是一个由多个partition（某个节点里的某一片连续的数据）组成的的list；将数据加载为RDD时，一般会遵循数据的本地性（一般一个hdfs里的block会加载为一个partition）。 - a function for computing each split
RDD的每个partition中都会有function，即函数应用，其作用是实现RDD之间partition的转换。 - a list of dependencies on other RDDs
RDD会记录它的依赖,为了容错（重算,cache,checkpoint），即内存中的RDD操作出错或丢失时会进行重算。 - Optionally,a Partitioner for Key-value RDDs
可选项，如果RDD里面存的数据是key-value形式，则可以传递一个自定义的Partitioner进行重新分区，例如自定义的Partitioner是基于key进行分区，那则会将不同RDD里面的相同key的数据放到同一个partition里面。 - Optionally, a list of preferred locations to compute each split on
可选项，最优的位置去计算每个分片，即数据的本地性。
创建RDD
spark提供了两种创建RDD的方式：读取外部数据源、将驱动器程序中的集合进行并行化。
并行化集合
使用sparkContext的parallelize()方法将集合并行化。
parallelize()方法第二个参数可指定分区数。spark会为每个分区创建一个task任务，通常每个cpu需要2-4个分区。spark会自动地根据集群大小设置分区数，也支持通过parallelize()方法的第二个参数手动指定。
scala
val data = Array(1, 2, 3, 4, 5)
val distData = sc.parallelize(data)
java
List<Integer> data = Arrays.asList(1, 2, 3, 4, 5);
JavaRDD<Integer> distData = sc.parallelize(data);
python
data = [1, 2, 3, 4, 5]
distData = sc.parallelize(data)
注：除了开发和测试外，这种方式用得不多。这种方式需要把整个数据集先放到一台机器的内存中。
读取外部数据源
spark可接入多种hadoop支持的数据源来创建分布式数据集。包括：本地文件系统、HDFS、Cassandra、HBase、Amazon S3等。
spark支持多种存储格式，包括textFiles、SequenceFiles及其他hadoop存储格式。
scala
scala> val distFile = sc.textFile("data.txt")
distFile: org.apache.spark.rdd.RDD[String] = data.txt MapPartitionsRDD[10] at textFile at <console>:26
java
JavaRDD<String> distFile = sc.textFile("data.txt");
python
>>> distFile = sc.textFile("data.txt")
RDD操作
RDD支持两种操作：转化操作和行动操作。
算子.png
转化操作
RDD的转化操作会返回一个新的RDD。转化操作是惰性求值的，只有行动操作用到转化操作生成的RDD时，才会真正进行转化。
转化算子.png
spark使用lineage（血统）来记录转化操作生成的不同RDD之间的依赖关系。依赖分为窄依赖（narrow dependencies）和宽依赖（wide dependencies）。
- 窄依赖
- 子RDD的每个分区依赖于常数个父分区
- 输入输出一对一，结果RDD的分区结构不变，主要是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
- 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进行合并和重组，如join
转化算子依赖.png
行动操作
行动操作则会向驱动器程序返回结果或把结果写入外部系统，会触发实际的计算。
action算子.png
缓存方式
RDD通过persist方法或cache方法可以将前面的计算结果缓存，但是并不是这两个方法被调用时立即缓存，而是触发后面的action时，该RDD将会被缓存在计算节点的内存中，并供后面重用。
cache最终也是调用了persist方法，默认的存储级别是仅在内存存储一份。
缓存.jpg
Spark的存储级别还有好多种，存储级别在object StorageLevel中定义的。
缓存方式.png
缓存有可能丢失，RDD的缓存容错机制保证即使缓存丢失也能保证计算正确执行。通过基于RDD的一系列转换，丢失的数据会被重算，由于RDD的各个Partition是相对独立的，因此只需要计算丢失的部分即可，并不需要重算全部Partition。
容错机制
- Lineage机制
- RDD的Lineage记录的是粗粒度的特定数据Transformation操作行为。当RDD的部分分区数据丢失时，可以通过Lineage来重新运算和恢复丢失的数据分区。这种粗颗粒的数据模型，限制了Spark的运用场合，所以Spark并不适用于所有高性能要求的场景，但同时相比细颗粒度的数据模型，也带来了性能的提升。
- Spark Lineage机制是通过RDD的依赖关系来执行的
- 窄依赖可以在某个计算节点上直接通过计算父RDD的某块数据计算得到子RDD对应的某块数据。
- 宽依赖则要等到父RDD所有数据都计算完成后，将父RDD的计算结果进行hash并传到对应节点上之后才能计算子RDD。宽依赖要将祖先RDD中的所有数据块全部重新计算，所以在长“血统”链特别是有宽依赖的时候，需要在适当的时机设置数据检查点。
- Checkpoint机制
- 简介
- 当RDD的action算子触发计算结束后会执行checkpoint；Task计算失败的时候会从checkpoint读取数据进行计算。
- 实现方式（checkpoint有两种实现方式,如果代码中没有设置checkpoint，则使用local的checkpoint模式，如果设置路径，则使用reliable的checkpoint模式。）
- LocalRDDCheckpointData：临时存储在本地executor的磁盘和内存上。该实现的特点是比较快，适合lineage信息需要经常被删除的场景（如GraphX），可容忍executor挂掉。
- ReliableRDDCheckpointData：存储在外部可靠存储（如hdfs），可以达到容忍driver 挂掉情况。虽然效率没有存储本地高，但是容错级别最好。
- 简介
