Spark基础入门（01）—RDD

1，基本概念

RDD（Resilient Distributed Dataset) ：弹性分布式数据集

它是Spark中基本的数据抽象，是编写Spark程序的基础。简单的来讲，一个Spark程序可以概括为：

<输入>  => [转换]  =>  <输出>

输入和输出是必须要有的，转换是大部分情况下都有的，将这个过程细化一下，放到Spark中，大概是这样：

（1）输入

一个或多个数据源作为输入，数据源可以是：本地文件，hdfs，数据库，程序中构造的数据集等等，在Spark中，会被抽象为不同的RDD

（2）转换

对输入的RDDs进行一些逻辑处理，由RDDs转换为新的RDDs，实现这个过程可以通过调用RDD的Transformation方法

（3）输出

将终生成的结果RDD输出，例如：输出到数据库，写入到文件，在程序中转换为集合，数组等等，实现这个过程也是通过调用RDD的Action方法


当然，一个Spark程序中，输入、转换、输出都可能是多个，Transformation，Action算子有哪些这里就不列举了，随便一搜一大堆，这里只说一下两者的区别：Transformation算子只有在碰到Action算子时，才会真正执行，有点像JavaBean的Builder

2，特性

作为一个可以处理大数据量的分布式计算引擎，在兼顾执行性能和开发者体验的同时，这几个问题是很难避开的：

（1）支持多种数据源

RDD提供了不同的实现，可以从不同的存储中读取数据，也可以自定义RDD来实现数据读取

（2）数据吞吐量

RDD通过Partition来控制并发，每个分区会由Spark启动一个Task来进行计算，开发者只需要开发具体的开发逻辑，无须关注调度细节

Spark规定，RDD数据只读，不可更改，更改数据只能生成一个新的RDD，提高调度性能

所有的Transformation操作，数据都是在内存中，并不会落盘，只有在shuffle时会落盘，整个流程形成了一个数据处理的管道，举个例子：

//假如有3个rdd，对输入rdd产生的数据进行了处理
Iterator<Row> transform(Iterator<Row> iterator){
	Iterator<Row> ite = f1(iterator)//rdd1
	ite = f2(ite)//rdd2
	return f3(ite)//rdd3
}

即使调用了transform方法，也不会触发计算（排除f1, f2, f3生成的数据直接放内存中，例如：list.iterator()），只有在终输出时才会进行计算：

Iterator<Row> iterator = transform(inputIterator);
while(iterator.hasNext){
	iterator.next();
	//...
}
//此时会依次触发f3、f2、f1转换逻辑

因此整个过程是在内存中进行的，因此计算速度会很快，并且开发者只需要关注自己的转换逻辑即可

（3）任务容错

在大数据计算过程中，因为执行时间长，数据量大，因此容易出现执行失败的情况，Spark可以对失败的任务进行重试

（4）开发工具

支持缓存rdd，方便多次使用rdd时，无须进行重复计算
提供必要的抽象，让开发者专注于业务逻辑，易于上手（熟悉原理使用效果更佳~）

3，基础方法

3.1 基础方法

那么一个RDD基本的信息是什么？

我们通过实现一个基础的自定义RDD，必须实现的方法有2个：

class TestRDD(sc : SparkContext) extends RDD[Row](sc, Nil){
  override def compute(split: Partition, context: TaskContext): Iterator[Row] = {
    Iterator()
  }

  override protected def getPartitions: Array[Partition] = {
    Array()
  }
}

因此，基础的方法毫无疑问也是这两个：

getPartitions：获取所有的分区信息

compute：计算每个分区的结果，返回迭代器

没错，虽然spark相当复杂，但是基础的东西，往往都非常简单、朴素，将这两个方法带入：

【<输入> => [转换] => <输出>】，这个流程中，仔细想想，这两个方法是不是就可以完成很多工作？

RDD提供的几个基础方法：

  final def getNumPartitions //获取分区总数（基于getPartitions实现）
  final def iterator(split: Partition, context: TaskContext): Iterator[T] //获取某个分区计算结果（基于compute实现）
  def map[U: ClassTag](f: T => U): RDD[U] //将当前rdd转换成新的rdd（基于iterator实现）
  def flatMap[U: ClassTag](f: T => TraversableOnce[U]): RDD[U] // 将当前rdd转换成新的rdd，(基于iterator实现)
  def repartition(numPartitions: Int)(implicit ord: Ordering[T] = null): RDD[T] //重新分区（基于getPartitions、compute实现）

当然，还有很多很多实现，可以看org.apache.spark.rdd.RDD源码，里面有详细介绍

3.2 进阶方法

大部分框架都是这样，先用一些实用，并且使用简单的方法让人可以快速上手，但是这些基础功能只是冰山一角，RDD也是这样，也有一些高阶功能：

protected def getDependencies: Seq[Dependency[_]] = deps //获取rdd的依赖关系，也可以在继承RDD时初始化
protected def getPreferredLocations(split: Partition): Seq[String] = Nil //返回分区佳的计算主机地址，主要用来分配任务，保证任务尽量在本机计算，减少网络传输
val partitioner: Option[Partitioner] = None //自定义分区，可以为每个key分配对应的分区

这些方法也有很多地方可以使用，这里暂不展开，有个印象即可

4，依赖

首先，我们需要再明确一下，一个Spark程序，有如下的执行流程：

<输入> => [转换] => <输出>

流程中每一个节点，都是1~N个RDD构成，那么RDD之间，就需要有依赖关系，才能保证Spark能正确的按照流程进行执行

根据2.2的介绍，可以知道，RDD的依赖，通过getDependencies定义，那么我们使用伪代码，则有2种情况：

R1 => R2 => R3

R2的实现为：

def getDependencies = Seq(R1)

(R0, R1) => R2 => R3

R2的实现为：

def getDependencies = Seq(R1, R2)

这个是RDD级别的依赖关系，但是请注意，RDD是有分区的，所以这个依赖关系还需要细化

4.1 依赖关系定义

细化依赖关系之前，还需要说明一下在Spark中，依赖的定义：

abstract class Dependency[T] extends Serializable {
  def rdd: RDD[T]
}

它有2个实现：

ShuffleDependency：被称为宽依赖，这种也是复杂的，需要进行shuffle操作

NarrowDependency：被称为窄依赖，它有3个实现：

OneToOneDependency：很容易理解，用来处理1：1这种依赖关系

RangeDependency，PruneDependency（Spark内部使用）：处理N:N这种依赖关系

4.2 分区依赖关系

为了简化流程，我们这里使用：R1=>R2，这种单一依赖来进行说明，多依赖情况是类似的，Spark中，将分区依赖分为以下4种情况：

（1）1：1

每个子分区，都来源于同一个父分区（通过：OneToOneDependency实现）

（2）N：1

1个子分区，由多个父分区组成，可以通过：RangeDependency实现

（3）N：N

1个子分区，由多个父分区组成，同时1个父分区（所有数据）也为多个子分区提供数据，可以通过：RangeDependency实现

注意：N:1其实也是N:N的一种，N:N想象空间就很大了，一般是使用：RangeDependency来实现，Spark的UnionRDD就是N:1

（4）N：N (shuffle)

1个子分区，由多个父分区组成，同时1个父分区（与（3）不同，这里是：部分数据）也为多个子分区提供数据（通过ShuffleDependency）

4.3 总结

因此，在Spark的依赖体系中，大致可总结如下：

Dependency
	ShuffleDependency （N:N）
	NarrowDependency
		PruneDependency （N:N, 内部使用）
		OneToOneDependency （1:1）
		RangeDependency (N:N)

5 总结

RDD作为Spark核心中的核心，抽象类，要了解它的设计，个人的学习步骤如下：
（1）明确它的核心作用，从定义可以看到：弹性分布式数据集
（2）了解它的设计理念
（3）在实践中，分析它需要解决的具体问题，搞清楚它的功能边界，哪些是必须它解决的，哪些是可以通过其他方法解决的
（4）循环（2）,（3）两步相互印证