RDD全稱叫做彈性分布式數(shù)據(jù)集(Resilient Distributed Datasets)，它是一種分布式的內(nèi)存抽象，表示一個(gè)只讀的記錄分區(qū)的集合，它只能通過(guò)其他RDD轉(zhuǎn)換而創(chuàng)建，為此，RDD支持豐富的轉(zhuǎn)換操作 ( 如: map, join, filter, groupBy 等)，通過(guò)這種轉(zhuǎn)換操作，新的RDD則包含了如何從其他RDDs衍生所必需的信息，所以說(shuō)RDDs之間是有依賴關(guān)系的。

基于RDDs之間的依賴，RDDs會(huì)形成一個(gè)有向無(wú)環(huán)圖DAG，該DAG描述了整個(gè)流式計(jì)算的流程，實(shí)際執(zhí)行的時(shí)候，RDD是通過(guò)血緣關(guān)系(Lineage)一氣呵成的，即使出現(xiàn)數(shù)據(jù)分區(qū)丟失，也可以通過(guò)血緣關(guān)系重建分區(qū)。

總結(jié)起來(lái)，基于RDD的流式計(jì)算任務(wù)可描述為：從穩(wěn)定的物理存儲(chǔ)(如分布式文件系統(tǒng))中加載記錄，記錄被傳入由一組確定性操作構(gòu)成的DAG，然后寫回穩(wěn)定存儲(chǔ)。另外RDD還可以將數(shù)據(jù)集緩存到內(nèi)存中，使得在多個(gè)操作之間可以重用數(shù)據(jù)集，基于這個(gè)特點(diǎn)可以很方便地構(gòu)建迭代型應(yīng)用(圖計(jì)算、機(jī)器學(xué)習(xí)等)或者交互式數(shù)據(jù)分析應(yīng)用。

可以說(shuō)Spark最初也就是實(shí)現(xiàn)RDD的一個(gè)分布式系統(tǒng)，后面通過(guò)不斷發(fā)展壯大成為現(xiàn)在較為完善的大數(shù)據(jù)生態(tài)系統(tǒng)，簡(jiǎn)單來(lái)講，Spark-RDD的關(guān)系類似于Hadoop-MapReduce關(guān)系。

RDD特點(diǎn)

RDD表示只讀的分區(qū)的數(shù)據(jù)集，對(duì)RDD進(jìn)行改動(dòng)，只能通過(guò)RDD的轉(zhuǎn)換操作，由一個(gè)RDD得到一個(gè)新的RDD，新的RDD包含了從其他RDD衍生所必需的信息。

RDDs之間存在依賴，RDD的執(zhí)行是按照血緣關(guān)系延時(shí)計(jì)算的。如果血緣關(guān)系較長(zhǎng)，可以通過(guò)持久化RDD來(lái)切斷血緣關(guān)系。

分區(qū)

如下圖所示，RDD邏輯上是分區(qū)的，每個(gè)分區(qū)的數(shù)據(jù)是抽象存在的，計(jì)算的時(shí)候會(huì)通過(guò)一個(gè)compute函數(shù)得到每個(gè)分區(qū)的數(shù)據(jù)。

如果RDD是通過(guò)已有的文件系統(tǒng)構(gòu)建，則compute函數(shù)是讀取指定文件系統(tǒng)中的數(shù)據(jù)，如果RDD是通過(guò)其他RDD轉(zhuǎn)換而來(lái)，則compute函數(shù)是執(zhí)行轉(zhuǎn)換邏輯將其他RDD的數(shù)據(jù)進(jìn)行轉(zhuǎn)換。

只讀

如下圖所示，RDD是只讀的，要想改變RDD中的數(shù)據(jù)，只能在現(xiàn)有的RDD基礎(chǔ)上創(chuàng)建新的RDD。

由一個(gè)RDD轉(zhuǎn)換到另一個(gè)RDD，可以通過(guò)豐富的操作算子實(shí)現(xiàn)，不再像MapReduce那樣只能寫map和reduce了，如下圖所示。

RDD的操作算子包括兩類，一類叫做transformations，它是用來(lái)將RDD進(jìn)行轉(zhuǎn)化，構(gòu)建RDD的血緣關(guān)系;另一類叫做actions，它是用來(lái)觸發(fā)RDD的計(jì)算，得到RDD的相關(guān)計(jì)算結(jié)果或者將RDD保存的文件系統(tǒng)中。下圖是RDD所支持的操作算子列表。

依賴

RDDs通過(guò)操作算子進(jìn)行轉(zhuǎn)換，轉(zhuǎn)換得到的新RDD包含了從其他RDDs衍生所必需的信息，RDDs之間維護(hù)著這種血緣關(guān)系，也稱之為依賴。如下圖所示，依賴包括兩種，一種是窄依賴，RDDs之間分區(qū)是一一對(duì)應(yīng)的，另一種是寬依賴，下游RDD的每個(gè)分區(qū)與上游RDD(也稱之為父RDD)的每個(gè)分區(qū)都有關(guān)，是多對(duì)多的關(guān)系。

通過(guò)RDDs之間的這種依賴關(guān)系，一個(gè)任務(wù)流可以描述為DAG(有向無(wú)環(huán)圖)，如下圖所示，在實(shí)際執(zhí)行過(guò)程中寬依賴對(duì)應(yīng)于Shuffle(圖中的reduceByKey和join)，窄依賴中的所有轉(zhuǎn)換操作可以通過(guò)類似于管道的方式一氣呵成執(zhí)行(圖中map和union可以一起執(zhí)行)。

緩存

如果在應(yīng)用程序中多次使用同一個(gè)RDD，可以將該RDD緩存起來(lái)，該RDD只有在***次計(jì)算的時(shí)候會(huì)根據(jù)血緣關(guān)系得到分區(qū)的數(shù)據(jù)，在后續(xù)其他地方用到該RDD的時(shí)候，會(huì)直接從緩存處取而不用再根據(jù)血緣關(guān)系計(jì)算，這樣就加速后期的重用。

如下圖所示，RDD-1經(jīng)過(guò)一系列的轉(zhuǎn)換后得到RDD-n并保存到hdfs，RDD-1在這一過(guò)程中會(huì)有個(gè)中間結(jié)果，如果將其緩存到內(nèi)存，那么在隨后的RDD-1轉(zhuǎn)換到RDD-m這一過(guò)程中，就不會(huì)計(jì)算其之前的RDD-0了。

Checkpoint

雖然RDD的血緣關(guān)系天然地可以實(shí)現(xiàn)容錯(cuò)，當(dāng)RDD的某個(gè)分區(qū)數(shù)據(jù)失敗或丟失，可以通過(guò)血緣關(guān)系重建。但是對(duì)于長(zhǎng)時(shí)間迭代型應(yīng)用來(lái)說(shuō)，隨著迭代的進(jìn)行，RDDs之間的血緣關(guān)系會(huì)越來(lái)越長(zhǎng)，一旦在后續(xù)迭代過(guò)程中出錯(cuò)，則需要通過(guò)非常長(zhǎng)的血緣關(guān)系去重建，勢(shì)必影響性能。

為此，RDD支持checkpoint將數(shù)據(jù)保存到持久化的存儲(chǔ)中，這樣就可以切斷之前的血緣關(guān)系，因?yàn)閏heckpoint后的RDD不需要知道它的父RDDs了，它可以從checkpoint處拿到數(shù)據(jù)。

小結(jié)

總結(jié)起來(lái)，給定一個(gè)RDD我們至少可以知道如下幾點(diǎn)信息：1、分區(qū)數(shù)以及分區(qū)方式;2、由父RDDs衍生而來(lái)的相關(guān)依賴信息;3、計(jì)算每個(gè)分區(qū)的數(shù)據(jù)，計(jì)算步驟為：1)如果被緩存，則從緩存中取的分區(qū)的數(shù)據(jù);2)如果被Checkpoint，則從Checkpoint處恢復(fù)數(shù)據(jù);3)根據(jù)血緣關(guān)系計(jì)算分區(qū)的數(shù)據(jù)。

編程模型

在Spark中，RDD被表示為對(duì)象，通過(guò)對(duì)象上的方法調(diào)用來(lái)對(duì)RDD進(jìn)行轉(zhuǎn)換。經(jīng)過(guò)一系列的Transformations后，就可以調(diào)用Actions觸發(fā)RDD的計(jì)算，Action可以是向應(yīng)用程序返回結(jié)果( count, collect 等)，或者是向存儲(chǔ)系統(tǒng)保存數(shù)據(jù)( saveAsTextFile 等)。在Spark中，只有遇到Action，才會(huì)執(zhí)行RDD的計(jì)算(即懶執(zhí)行)，這樣在運(yùn)行時(shí)可以通過(guò)管道的方式傳輸多個(gè)轉(zhuǎn)換。

要使用Spark，開(kāi)發(fā)者需要編寫一個(gè)Driver程序，它被提交到集群以調(diào)度運(yùn)行Worker，如下圖所示。Driver中定義了一個(gè)或多個(gè)RDD，并調(diào)用RDD上的action，Worker則執(zhí)行RDD分區(qū)計(jì)算任務(wù)。

應(yīng)用舉例

下面介紹一個(gè)簡(jiǎn)單的Spark應(yīng)用程序?qū)嵗齏ordCount，統(tǒng)計(jì)一個(gè)數(shù)據(jù)集中每個(gè)單詞出現(xiàn)的次數(shù)，首先將從HDFS中加載數(shù)據(jù)得到原始RDD-0，其中每條記錄為數(shù)據(jù)中的一行句子，經(jīng)過(guò)一個(gè)flatMap操作，將一行句子切分為多個(gè)獨(dú)立的詞，得到RDD-1，再通過(guò)map操作將每個(gè)詞映射為key-value形式，其中key為詞本身，value為初始計(jì)數(shù)值1，得到RDD-2，將RDD-2中的所有記錄歸并，統(tǒng)計(jì)每個(gè)詞的計(jì)數(shù)，得到RDD-3，***將其保存到HDFS。

object WordCount { 
def main(args: Array[String]) { 
if (args.length < 2) { 
System.err.println("Usage: WordCount <inputfile> <outputfile>"); 
System.exit(1); 
} 
val conf = new SparkConf().setAppName("WordCount") 
val sc = new SparkContext(conf) 
val result = sc.textFile(args(0)) 
.flatMap(line => line.split(" ")) 
.map(word => (word, 1)) 
.reduceByKey(_ + _)  
result.saveAsTextFile(args(1)) 
} 
} 

結(jié)語(yǔ)

基于RDD實(shí)現(xiàn)的Spark相比于傳統(tǒng)的Hadoop MapReduce有什么優(yōu)勢(shì)呢?總結(jié)起來(lái)應(yīng)該至少有三點(diǎn)：

1.RDD提供了豐富的操作算子，不再是只有map和reduce兩個(gè)操作了，對(duì)于描述應(yīng)用程序來(lái)說(shuō)更加方便;

2.通過(guò)RDDs之間的轉(zhuǎn)換構(gòu)建DAG，中間結(jié)果不用落地;

3.RDD支持緩存，可以在內(nèi)存中快速完成計(jì)算。