一、学习Spark RDD

RDD是Spark中的核心数据模型，一个RDD代表着一个被分区(partition)的只读数据集。

RDD的生成只有两种途径：

一种是来自于内存集合或外部存储系统；

另一种是通过转换操作来自于其他RDD；

一般需要了解RDD的以下五个接口：

partition	分区，一个RDD会有一个或者多个分区
dependencies()	RDD的依赖关系
preferredLocations(p)	对于每个分区而言，返回数据本地化计算的节点
compute(p,context)	对于分区而言，进行迭代计算
partitioner()	RDD的分区函数

 

1.1 RDD分区(partitions)

一个RDD包含一个或多个分区，每个分区都有分区属性，分区的多少决定了对RDD进行并行计算的并行度。

在生成RDD时候可以指定分区数,如果不指定分区数，则采用默认值，系统默认的分区数，是这个程序所分配到的资源的CPU核数。

可以使用RDD的成员变量partitions返回RDD对应的分区数组：

1. scala> var file = sc.textFile("/tmp/lxw1234/1.txt")
2. file: org.apache.spark.rdd.RDD[String] = MapPartitionsRDD[5] at textFile at :21
3.  
4. scala> file.partitions
5. res14: Array[org.apache.spark.Partition] = Array(org.apache.spark.rdd.[email protected], org.apache.spark.rdd.[email protected])
6.  
7. scala> file.partitions.size
8. res15: Int = 2 //默认两个分区
9.  
10. //可以指定RDD的分区数
11. scala> var file = sc.textFile("/tmp/lxw1234/1.txt",4)
12. file: org.apache.spark.rdd.RDD[String] = MapPartitionsRDD[7] at textFile at :21
13.  
14. scala> file.partitions
15. res16: Array[org.apache.spark.Partition] = Array(org.apache.spark.rdd.[email protected], org.apache.spark.rdd.[email protected], org.apache.spark.rdd.[email protected], org.apache.spark.rdd.[email protected])
16.  
17. scala> file.partitions.size
18. res17: Int = 4

1.2 RDD依赖关系(dependencies)

由于RDD即可以由外部存储而来，也可以从另一个RDD转换而来，因此，一个RDD会存在一个或多个父的RDD，这里面也就存在依赖关系，

• 窄依赖：

每一个父RDD的分区最多只被子RDD的一个分区所使用，如图所示：

• 宽依赖

多个子RDD的分区会依赖同一个父RDD的分区，如图所示：

以下代码可以查看RDD的依赖信息：

1. scala> var file = sc.textFile("/tmp/lxw1234/1.txt")
2. file: org.apache.spark.rdd.RDD[String] = MapPartitionsRDD[9] at textFile at :21
3.  
4. scala> file.dependencies.size
5. res20: Int = 1 //返回RDD的依赖数量
6. scala> file.dependencies(0)
7. res19:
8. org.apache.spark.Dependency[_] = org.apache.spark.[email protected]
9. //返回RDD file的第一个依赖
10. scala> file.dependencies(1)
11. java.lang.IndexOutOfBoundsException: 1
12. //因为file只有一个依赖，想获取第二个依赖时候，报了数组越界
13.  

再看一个存在多个父依赖的例子：

1. scala> var rdd1 = sc.textFile("/tmp/lxw1234/1.txt")
2. rdd1: org.apache.spark.rdd.RDD[String] = MapPartitionsRDD[11] at textFile at :21
3.  
4. scala> var rdd2 = sc.textFile("/tmp/lxw1234/1.txt")
5. rdd2: org.apache.spark.rdd.RDD[String] = MapPartitionsRDD[13] at textFile at :21
6.  
7. scala> var rdd3 = rdd1.union(rdd2)
8. rdd3: org.apache.spark.rdd.RDD[String] = UnionRDD[14] at union at :25
9.  
10. scala> rdd3.dependencies.size
11. res24: Int = 2 // rdd3依赖rdd1和rdd2两个RDD
12.  
13. //分别打印出rdd3的两个父rdd,即 rdd1和rdd2的内容
14. scala> rdd3.dependencies(0).rdd.collect
15. res29: Array[_] = Array(hello world, hello spark, hello hive, hi spark)
16.  
17. scala> rdd3.dependencies(1).rdd.collect
18. res30: Array[_] = Array(hello world, hello spark, hello hive, hi spark)

1.3 RDD优先位置(preferredLocations)

RDD的优先位置，返回的是此RDD的每个partition所存储的位置，这个位置和Spark的调度有关（任务本地化），Spark会根据这个位置信息，尽可能的将任务分配到数据块所存储的位置，以从Hadoop中读取数据生成RDD为例，preferredLocations返回每一个数据块所在的机器名或者IP地址，如果每一个数据块是多份存储的（HDFS副本数），那么就会返回多个机器地址。

看以下代码：

1. scala> var file = sc.textFile("/tmp/lxw1234/1.txt")
2. file: org.apache.spark.rdd.RDD[String] = MapPartitionsRDD[16] at textFile at :21
3. //这里的file为MappedRDD
4. scala> var hadoopRDD = file.dependencies(0).rdd
5. hadoopRDD: org.apache.spark.rdd.RDD[_] = /tmp/lxw1234/1.txt HadoopRDD[15] at textFile at :21 //这里获取file的父RDD，即hdfs文件/tmp/lxw1234/1.txt对应的HadoopRDD
6. scala> hadoopRDD.partitions.size
7. res31: Int = 2 //hadoopRDD默认有两个分区
8.  
9. //下面分别获取两个分区的位置信息
10. scala> hadoopRDD.preferredLocations(hadoopRDD.partitions(0))
11. res32: Seq[String] = WrappedArray(slave007.lxw1234.com, slave004.lxw1234.com)
12.  
13. scala> hadoopRDD.preferredLocations(hadoopRDD.partitions(1))
14. res33: Seq[String] = WrappedArray(slave007. lxw1234.com, slave004.lxw1234.com)
15.  

##
由于HDFS副本数设置为2，因此每个分区的位置信息中包含了所有副本（2个）的位置信息，这样Spark可以调度时候，根据任何一个副本所处的位置进行本地化任务调度。

 

1.4 RDD分区计算(compute)

基于RDD的每一个分区，执行compute操作。

对于HadoopRDD来说，compute中就是从HDFS读取分区中数据块信息。

对于JdbcRDD来说，就是连接数据库，执行查询，读取每一条数据。

 

1.5 RDD分区函数(partitioner)

目前Spark中实现了两种类型的分区函数，HashPartitioner(哈希分区)和RangePartitioner(区域分区)。

partitioner只存在于<K,V>类型的RDD中，非<K,V>类型的RDD的partitioner值为None.

 

partitioner函数既决定了RDD本身的分区数量，也可作为其父RDD Shuffle输出中每个分区进行数据切割的依据。

 

1. scala> var a = sc.textFile("/tmp/lxw1234/1.txt").flatMap(line => line.split("\\s+"))
2. a: org.apache.spark.rdd.RDD[String] = MapPartitionsRDD[19] at flatMap at :21
3.  
4. scala> a.partitioner
5. res15: Option[org.apache.spark.Partitioner] = None // RDD a为非<K,V>类型
6.  
7. scala> var b = a.map(l => (l,1)).reduceByKey((a,b) => a + b)
8. b: org.apache.spark.rdd.RDD[(String, Int)] = ShuffledRDD[21] at reduceByKey at :30
9.  
10. scala> b.partitioner
11. res16: Option[org.apache.spark.Partitioner] = Some(org.apache.spark.[email protected])
12. //RDD b为<K,V>类型，采用的是默认的partitioner- HashPartitioner
13.