今天是spark专题第二篇文章，我们来看spark非常主要的一个观点——RDD。

在上一讲当中我们在内陆安装好了spark，虽然我们只有local一个集群，然则仍然不故障我们举行实验。spark最大的特点就是无论集群的资源若何，举行盘算的代码都是一样的，spark会自动为我们做分布式调剂事情。


RDD观点


先容spark离不开RDD，RDD是其中很主要的一个部门。然则许多初学者往往都不清晰RDD事实是什么，我自己也是一样，我在系统学习spark之前代码写了一堆，然则对于RDD等观点仍然云里雾里。

RDD的英文全名是Resilient Distributed Dataset，我把英文写出来就清晰了许多。纵然第一个单词不认识，至少也可以知道它是一个分布式的数据集。第一个单词是弹性的意思，以是直译就是弹性分布式数据集。虽然我们照样不够清晰，然则已经比只知道RDD这个观点清晰多了，

RDD是一个不可变的分布式工具聚集，每个RDD都被分为多个分区，这些分区运行在集群的差别节点上。

许多资料里只有这么一句粗浅的注释，看起来说了许多，然则我们都get不到。细想有许多疑问，最后我在大神的博客里找到了详细的注释，这位大神翻了spark的源码，找到了其中RDD的界说，一个RDD当中包罗以下内容：

  • 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)

我们一条一条来看：

  1. 它是一组分区，分区是spark中数据集的最小单元。也就是说spark当中数据是以分区为单元存储的，差别的分区被存储在差别的节点上。这也是分布式盘算的基础。

  2. 一个应用在各个分区上的盘算义务。在spark当中数据和执行的操作是离开的，而且spark基于懒盘算的机制，也就是在真正触发盘算的行动操作泛起之前，spark会存储起来对哪些数据执行哪些盘算。数据和盘算之间的映射关系就存储在RDD中。

  3. RDD之间的依赖关系，RDD之间存在转化关系，一个RDD可以通过转化操作转化成其他RDD，这些转化操作都会被纪录下来。当部门数据丢失的时刻，spark可以通过纪录的依赖关系重新盘算丢失部门的数据，而不是重新盘算所有数据。

  4. 一个分区的方式，也就是盘算分区的函数。spark当中支持基于hash的hash分区方式和基于局限的range分区方式。

    ,

    APPle developer enterprise account for rent

    providing apple enterprise developer accounts for rent, rent your own enterprise account for app sIGning. with high quality, stable performance and affordable price.

    ,

  5. 一个列表，存储的是存储每个分区的优先存储的位置。

通过以上五点，我们可以看出spark一个主要的理念。即移动数据不如移动盘算，也就是说在spark运行调剂的时刻，会倾向于将盘算分发到节点，而不是将节点的数据搜集起来盘算。RDD正是基于这一理念而生的，它做的也正是这样的事情。


建立RDD


spark中提供了两种方式来建立RDD，一种是读取外部的数据集，另一种是将一个已经存储在内存当中的聚集举行并行化。

我们一个一个来看，最简朴的方式当然是并行化，由于这不需要外部的数据集，可以很轻易地做到。

在此之前，我们先来看一下SparkContext的观点，SparkContext是整个spark的入口，相当于程序的main函数。在我们启动spark的时刻，spark已经为我们建立好了一个SparkContext的实例，命名为sc，我们可以直接访问到。

我们要建立RDD也需要基于sc举行，好比下面我要建立一个有字符串组成的RDD：

texts = sc.parallelize(['now test', 'spark rdd'])

返回的texts就是一个RDD：

除了parallelize之外呢，我们还可以从外部数据天生RDD，好比我想从一个文件读入，可以使用sc当中的textFile方式获取：

text = sc.textFile('/path/path/data.txt')

一般来说，除了内陆调试我们很少会用parallelize举行建立RDD，由于这需要我们先把数据读取在内存。由于内存的限制，使得我们很难将spark的能力发挥出来。


转化操作和行动操作


适才我们在先容RDD的时刻实在提到过，RDD支持两种操作，一种叫做转化操作(transformation)一种叫做行动操作(action)。

顾名思义，执行转化操作的时刻，spark会将一个RDD转化成另一个RDD。RDD中会将我们这次转化的内容纪录下来，然则不会举行运算。以是我们获得的仍然是一个RDD而不是执行的效果。

好比我们建立了texts的RDD之后，我们想要对其中的内容举行过滤，只保留长度跨越8的，我们可以用filter举行转化：

textAfterFilter = texts.filter(lambda x: len(x) > 8)

我们挪用之后获得的也是一个RDD，就像我们适才说的一样，由于filter是一个转化操作，以是spark只会纪录下它的内容，并不会真正执行。

转化操作可以操作随便数目的RDD，好比若是我执行如下操作，会一共获得4个RDD：


  
inputRDD = sc.textFile('path/path/log.txt')
lengthRDD = inputRDD.filter(lambda x: len(x) > 10)
errorRDD = inputRDD.filter(lambda x: 'error' in x)
unionRDD = errorRDD.union(lengthRDD)

  
最后的union会将两个RDD的效果组合在一起，若是我们执行完上述代码之后，spark会纪录下这些RDD的依赖信息，我们把这个依赖信息画出来，就成了一张依赖图：

  
无论我们执行多少次转化操作，spark都不会真正执行其中的操作，只有当我们执行行动操作时，纪录下来的转化操作才会真正投入运算。像是first()，take()，count()等都是行动操作，这时刻spark就会给我们返回盘算效果了。

  
其中first的用处是返回第一个效果，take需要传入一个参数，指定返回的效果条数，count则是盘算效果的数目。和我们预期的一样，当我们执行了这些操作之后，spark为我们返回了效果。

  
本文着重讲的是RDD的观点，我们下篇文章还会着重对转化操作和行动操作举行深入解读。感兴趣的同砚不妨期待一下吧~