一、RDD

RDD和IO之间的关系

1. RDD的数据处理方式类似于IO流，也有装饰着设计模式
2. RDD的数据只有在执行collect方法时才会真正的执行业务逻辑操作
3. RDD是不保存数据的，但是我们的IO可以临时保存一部分数据

RDD的特点

RDD叫做弹性分布式数据集，是Spark中最基本的数据处理模型。代码中是一个抽象类，他代表一个弹性的、不可变的、可分区的，里面的原元素可以并行计算的集合。


在这里插入图片描述

五大核心属性

• 分区列表
  RDD数据结构中存在分区列表，用于执行任务时并行计算，是实现分布式计算的重要属性
• 分区计算函数
  Spark在进行计算的时候，是使用分区函数对每一个分区进行计算
• RDD之间的依赖关系
  RDD是计算模型的封装，当需求中需要把多个计算模型进行组合时，就需要将多个RDD建立依赖关系
• key- value数据类型的RDD分区器
  一个Partitioner，即RDD的分区函数（可选项），Partitioner函数不但决定了RDD本身的分片数量，也决定了parent RDD Shuffle输出时的分片数量。
• 每个分区都有一个优先位置列表，即首选位置( a list of preferred locations to compute each split on）
  存储每个切片优先(preferred location)位置的列表。 比如对于一个 HDFS 文件来说, 这个列表保存的就是每个 Partition 所在文件块的位置.。按照“移动数据不如移动计算”的理念, Spark 在进行任务调度的时候, 会尽可能地将计算任务分配到其所要处理数据块的存储位置。

RDD的创建

1. 从集合\内存中创建RDD

parallelize 与  makeRDD
makeRDD 在底层实现时就是调用了rdd对象的parallezize方法

1
2
3
4

2. 从文件中创建RDD
   

testfile ：从文件中读取数据
wholeTextFiles：以文件为单位读取数据

3. 从其他RDD创建

4. new一个RDD

RDD的并行度与分区

默认分区数是自己cpu的核心数
可以自定义分区数

sparkConf.set("spark.default.parallelism","分区数")

RDD分数数据的装配

范围计算公式：
（start，end）
start：当前的分区号
i是我们的数据
简单来说就是：

• 我们分区的数据范围是把我们当前的分区编号，如 0号，带入我们的计算公式