RDD初探 RDD（resilient distributed dataset ）是Spark提出的一個創新性的概念，它提供了并行計算個階段中數據的有效共享，彌補了MapReduce中的不足。與MapReduce單乏的Map和Reduce相比，在RDD上，Spark提供了豐富的操作，可以讓程序開發人員利用RDD接口非常容易的編寫出復雜的數據處理程序，先見見Spark版本的WordCount程序： 僅僅兩行代碼，相比MapReduce，是不是簡潔了很多？ 官網RDD的定義： Spark revolves around the concept of a resilient distributed dataset (RDD), which is a fault-tolerant collection of elements that can be operated on in parallel. There are two ways to create RDDs: parallelizing an existing collection in your driver program, or referencing a dataset in an external storage system, such as a shared filesystem, HDFS, HBase, or any data source offering a Hadoop InputFormat. RDD的特性： 1.分區的數據集 2.只讀的數據集 3.只能從driver程序中已有的集合或外部存儲進行創建 4.容錯的，失敗自動的快速重建 分區 分區，RDD是一個分區的數據集，其分區的多少決定著對這個RDD進行并行計算的粒度，在Spark中，每一個分區的計算在一個單獨的任務中執行。對RDD的分區而言，用戶可以指定其分區的數目；如果沒有，系統將會使用默認值，默認情況下，其分區數為這個程序所分配到的資源的CPU核的數目；如， 指定分區數: 默認分區數： 位置優先 在Spark中，秉性著這么一種思想，“移動數據不如移動計算”，在Spark任務調度的時候，總是盡可能的將任務分配到數據塊存儲的位置。如，對HDFS文件生成的RDD，preferredLocation接口返回其每塊數據所在的機器名或IP，在后續的任務調度中，調度器將盡可能的將計算任務分配到數據存儲的位置，如： RDD依賴關系 可以說，RDD依賴關系是Spark任務調度最根本的依據。 在RDD的轉換過程中，每次轉換都會生成一個新的RDD，在用戶程序中，對于某個RDD往往會有一系列的復雜的轉換，這樣，就形成了一條類似流水線樣的前后依賴關系。 在Spark中，存在兩種類型的依賴，即窄依賴和寬依賴； ?窄依賴：父RDD的每一個分區只被子RDD的一個分區所使用，如：map、filter等； ?寬依賴：父RDD的每一個分區只被子RDD的多個分區所使用，如：groupbyKey等； 區分兩種依賴的原因： 1.窄依賴可以在集群的一個節點上如流水一般的執行，無需物化很多無用的中間RDD，大大提升了計算性能； 2.窄依賴對于節點計算失敗后的恢復會更加有效，只要重新計算其對應父RDD的相應分區即可； RDD操作 RDD支持兩種操作 ?Transformations：從一個已存的RDD生成一個新的RDD，如map操作 ?Action：執行一次計算并將相應的計算結果返回值driver程序，如reduce 在Spark中，所有的Transformation都是惰性的，他們只會記錄其相應的依賴關系，而不會馬上計算其結果，只有在action要求計算結果時才會實際計算RDD的值。 Spark提供了豐富的RDD操作，詳細參考 http://spark.apache.org/docs/latest/api/scala/index.html#org.apache.spark.rdd.RDD RDD的持久化 在Spark中，還有一個最重要的特性就是RDD的持久化。當你對一個RDD進行持久化操作時，spark會將該RDD的每個分區的第一次計算結果保存在相應的存儲介質中。之后對該RDD的訪問可以直接訪問其存儲的結果，這樣我們可以將一些訪問比較頻繁的RDD進行持久化到內存中來，加快程序的處理時間（官網提供的數據時通常會加快速度10倍以上） RDD的持久化通過persist() 和 cache() 方法實現；