分布式数据集SparkRDD的依赖与缓存

分布式数据集SparkRDD的依赖与缓存

RDD简介

RDD(Resilient Distributed Dataset)叫做分布式数据集，是Spark中最基本的数据抽象，它代表一个不可变、可分区、里面的元素可并行计算的集合。RDD是一个类

RDD的属性

1.一个列表，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。

3.RDD之间的依赖关系。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.RDD的分片函数(Partitioner)，一个是基于哈希的HashPartitioner，另外一个是基于范围的RangePartitioner。只有对于于key-value的RDD，才会有Partitioner，非key-value的RDD的Parititioner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。

5.一组分片(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。

如何创建RDD

1.通过序列化集合的方式创建RDD(parallelize，makeRDD)

2.通过读取外部的数据源(testFile)

3.通过其他的rdd做transformation操作转换成行的RDD

RDD的两种算子：

1.Transformation

2.Action

reduce(func) 通过func函数聚集RDD中的所有元素，这个功能必须是课交换且可并联的collect() 在驱动程序中，以数组的形式返回数据集的所有元素count() 返回RDD的元素个数first() 返回RDD的***个元素(类似于take(1))take(n) 返回一个由数据集的前n个元素组成的数组takeSample(withReplacement,num, [seed]) 返回一个数组，该数组由从数据集中随机采样的num个元素组成，可以选择是否用随机数替换不足的部分，seed用于指定随机数生成器种子takeOrdered(n, [ordering])saveAsTextFile(path) 将数据集的元素以textfile的形式保存到HDFS文件系统或者其他支持的文件系统，对于每个元素，Spark将会调用toString方法，将它装换为文件中的文本saveAsSequenceFile(path) 将数据集中的元素以Hadoop sequencefile的格式保存到指定的目录下，可以使HDFS或者其他Hadoop支持的文件系统。saveAsObjectFile(path)countByKey() 针对(K,V)类型的RDD，返回一个(K,Int)的map，表示每一个key对应的元素个数。foreach(func) 在数据集的每一个元素上，运行函数func进行更新。

RDD的依赖关系

1.窄依赖

窄依赖指的是每一个父RDD的Partition最多被子RDD的一个Partition使用

总结：窄依赖我们形象的比喻为独生子女

2.宽依赖

宽依赖指的是多个子RDD的Partition会依赖同一个父RDD的Partition

总结：窄依赖我们形象的比喻为超生

3.Lineage(血统)

RDD只支持粗粒度转换，即在大量记录上执行的单个操作。将创建RDD的一系列Lineage(即血统)记录下来，以便恢复丢失的分区。RDD的Lineage会记录RDD的元数据信息和转换行为，当该RDD的部分分区数据丢失时，它可以根据这些信息来重新运算和恢复丢失的数据分区。

DAG的生成

DAG(Directed Acyclic Graph)叫做有向无环图，原始的RDD通过一系列的转换就就形成了DAG，根据RDD之间的依赖关系的不同将DAG划分成不同的Stage，对于窄依赖，partition的转换处理在Stage中完成计算。对于宽依赖，由于有Shuffle的存在，只能在parent RDD处理完成后，才能开始接下来的计算，因此宽依赖是划分Stage的依据。

RDD的缓存

Spark速度非常快的原因之一，就是在不同操作中可以在内存中持久化或缓存个数据集。当持久化某个RDD后，每一个节点都将把计算的分片结果保存在内存中，并在对此RDD或衍生出的RDD进行的其他动作中重用。这使得后续的动作变得更加迅速。RDD相关的持久化和缓存，是Spark最重要的特征之一。可以说，缓存是Spark构建迭代式算法和快速交互式查询的关键。

找依赖关系划分stage的目的之一就是划分缓存， 如何通过stage的划分设置缓存?

(1)在窄依赖想设置缓存时用cache

(2)在宽依赖想设置缓存时用checkpoint

如何设置cache和checkpoint?

cache：someRDD.cache()就添加成功缓存，放入到内存中

someRDD.persist(StorageLevel.MEMORY_AND_DISK)：根据自己的需要设置缓存的位置(内存和硬盘)

checkpoint：可以把RDD计算后的数据存储在本地磁盘上，也可以是hdfs

sc.setCheckpointDIr("hdfs://hadoop1:9000/checkpoint")设置checkpoint的路径 在宽依赖前设置

someRDD.checkpoint()设置checkpoint

cache 和checkpoint的区别

cache只是缓存数据，不改变RDD的依赖关系，checkpoint生成了一个新的RDD，后面的RDD将依赖新的RDD依赖关系已经改变 。数据恢复的顺序：checkpoint ---》cache--》重算

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。