五-上, Spark RDD 概述,五大属性,执行原理
五, Spark 核心编程 5.0 一个简单的分布式计算程序
在了解了分布式计算大概是个什么情况后, 我们来学习Spark
Spark计算框架为了能够进行高并发和高吞吐的数据处理, 封装了三大数据结构, 用于处理不同的应用场景,分别是:
- RDD: 弹性分布式数据集
- 累加器: 分布式共享只写变量
- 广播变量: 分布式共享只读变量
数据结构: 计算机存储和组织数据的方式
5.1 RDD (数据和逻辑, 最小的计算单元)
RDD: 代表着不可变的, 可以分区和并行计算的元素集合;
拿前篇文章中的为例, Spark中对数据的不同处理(在这里数据被指代为一个一个的RDD)是通过一层又一层的包装来实现的, 如何包装? 就是层层递进的进行传参;
比如, 我要在IO流中使用包装类去读取字节流, 字节流也需要文件对象file的传参, 所以可以写成下面的这种形式: (不理解的话可以先看看IO流那篇文章:点我)
//new BufferedInputStream(new FileInputStream(new File(path, 是否是追加操作), 字符集))File file = new File(path);FileInputStream fis = new FileInputStream(file);BufferedInputStream bis = new BufferedStream(fis);
5.1.1 什么是RDD 特性解释
弹性
存储的弹性(内存与磁盘自动切换); 容错的弹性(数据丢失自动恢复); 计算的弹性(计算出错重试机制); 分片的弹性(根据需要重新分片)
分布式
数据存储在大数据集群不同节点上
数据集
RDD封装了计算逻辑, 不保存数据
数据抽象
RDD是一个抽象类, 需要子类具体实现
不可变
RDD 封装了计算逻辑,是不可以改变的,想要改变,只能产生新的 RDD,在新的 RDD 里面封装计算逻辑
可分区, 并行计算
RDD 内部的数据集合在逻辑上和物理上被划分成多个小子集合,这些集合就是分区, 是并行计算的一个计算单元
5.1.2 RDD的五大核心属性
* Internally, each RDD is characterized by five main properties:** - 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)** All of the scheduling and execution in Spark is done based on these methods, allowing each RDD
1. A list of (一个分区列表)
一个分区列表, 这里表示一个RDD很多分区, 每一个分区内部是包含了该RDD的部分数据, Spark中任务是以Task线程的方式运行, 一个分区就对应一个Task线程, 分区列表是实现分布式并行计算的重要属性;
用户可以在创建RDD时指定RDD的分区个数, 如果没有指定, 那么就会采用默认值.
分区数的默认值的计算公式如下:
2. A for each split (作用分区中的函数)
一个计算每个分区的函数,这里表示Spark中RDD的计算是以分区为单位的,每个RDD都会实现计算函数以达到这个目的.
3. A list of on other RDDs (对其他RDD的依赖关系)
一个RDD会依赖于其他多个RDD, 这里涉及到RDD与RDD之间的依赖关系,
Spark 任务的容错机制就是根据这个特性(血统)而来;
//rdd2依赖于rdd1,而rdd3依赖于rdd2
//rdd6依赖于rdd4、rdd5val rdd1:RDD[String]=sc.textFile("/words.txt")
val rdd2:RDD[String]=rdd1.flatMap(x=>x.split(" "))
val rdd3:RDD[(String,Int)]=rdd2.Map(x=>(x,1))val rdd6=rdd4.join(rdd5)
4. , a for key-value RDDs (针对k-v的分区器)
当数据为 KV 类型数据时,可以通过设定分区器(可选)自定义数据的分区
5. , a list of to each split on (数据本地性)
一个列表,存储每个的优先位置(可选项),这里涉及到数据的本地性,数据块位置最优。
5.1.3 通过示例理解五大属性
[需求]
HDFS上有一个大小为300M的文件,通过spark实现文件单词统计,最后把结果数据保存到HDFS上
[凝练后的代码]
sc.textFile("/words.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).saveAsTextFile("/out")
[流程]
5.1.4 执行原理 启动 Yarn 集群环境
Spark 通过申请资源创建调度节点和计算节点
Spark 框架根据需求将计算逻辑按照分区划分成不同的任务
调度节点将任务根据计算节点状态发送到对应的计算节点进行计算
从以上流程可以看出 RDD 在整个流程中主要用于将逻辑进行封装,并生成 Task 发送给 节点执行计算