Spark 中的 RDD 分区的设定规则与高阶函数、Lambda 表达式详解

Spark 的介绍与搭建：从理论到实践_spark环境搭建-CSDN博客

Spark 的Standalone集群环境安装与测试-CSDN博客

PySpark 本地开发环境搭建与实践-CSDN博客

Spark 程序开发与提交：本地与集群模式全解析-CSDN博客

Spark on YARN：Spark集群模式之Yarn模式的原理、搭建与实践-CSDN博客

Spark 中 RDD 的诞生：原理、操作与分区规则-CSDN博客

目录

一、RDD 分区的设定规则

（一）parallelize 获取 rdd 时的分区设定

（二）通过外部读取数据 - textFile 时的分区设定

（三）子 RDD 分区数

（四）RDD分区的设定规则

二、高阶函数及 Lambda 表达式

（一）复习 Python 函数语法

（二）需求示例与高阶函数概念引入

一个简单的需求场景

高阶函数的定义

（三）Lambda 表达式与高阶函数的结合使用

使用 Lambda 表达式优化代码

更复杂的需求示例

在集合操作中的应用

三、总结

---

        在大数据处理领域，Apache Spark 是一个强大的开源分布式计算框架。它提供了丰富的功能和灵活的编程接口，其中弹性分布式数据集（RDD）是其核心概念之一。RDD 的分区设定规则对于数据处理的性能和资源利用至关重要，同时，高阶函数和 Lambda 表达式的运用能让我们在 Spark 编程中更加简洁高效地处理数据。本文将深入探讨 RDD 分区的设定规则以及高阶函数和 Lambda 表达式的相关知识。

一、RDD 分区的设定规则

（一）parallelize 获取 rdd 时的分区设定

方式一：并行化集合：parallelize
没有指定：spark.default.parallelism参数值决定
指定分区：指定几个，就是几个分区
list_rdd = sc.parallelize(data,numSlices=2)

总结：假如指定了分区数，分区数就是这个，假如没有指定spark.default.parallelism。

（二）通过外部读取数据 - textFile 时的分区设定

没有指定：spark.default.parallelism和2取最小值，具体计算并行度的公式：
   min(spark.default.parallelism,2) 
指定分区：最小分区数，最少有这么多分区，具体的分区数可以根据HDFS分片规则来 
hdfs的一片是128M或者128*1.1 = 140.8M
file_rdd =sc.textFile("../datas/function_data/filter.txt", minPartitions=2)

# 假如你这个data.txt = 500M ，此时的分区数是:4  因为 500 =  128+ 128+ 128+ 116
    rdd3 = sc.textFile("hdfs://bigdata01:9820/datas/wordcount/data.txt", minPartitions=2)
    rdd3.foreach(lambda x: print(x))

spark.default.parallelism 参数

        这个参数在 RDD 分区设定中起着关键作用，它用于指定没有父 RDD 的 RDD 的分区数。在不同的运行模式下，其取值规则有所不同。

Local mode（本地模式）

在本地模式下，分区数取决于本地机器的 CPU 核数。这是因为在本地环境中，资源主要受限于本地计算机的硬件配置。例如，如果本地机器是 4 核，那么分区数可能就是 4（具体可能还会受到其他相关设置的微调）。这种基于本地 CPU 核数的分区设定，能够充分利用本地计算资源，实现一定程度的并行计算。

Mesos fine grained mode（Mesos 细粒度模式）

在 Mesos 细粒度模式下，分区数的默认值是 8。Mesos 是一种集群资源管理框架，在这种特定的模式下，Spark 有其默认的分区设定策略。这个默认值 8 是经过实践和设计考虑的，旨在在 Mesos 细粒度管理环境下平衡数据处理的效率和资源利用。

其他模式（Others）

在其他模式下，分区数是集群中所有参与运算的设备的所有核数与 2 相比较，取较大值。这种设定方式考虑了集群的整体计算能力。例如，如果集群中有 10 个节点，每个节点有 2 核，那么总核数是 20，大于 2，所以分区数就是 20。这种策略保证了在不同规模的集群中都能有合适的并行度，避免了因核数过少而导致的处理效率低下问题，同时也防止了因核数过多而可能引起的资源过度分配问题。

（三）子 RDD 分区数

        子 RDD 的分区数与父 RDD 以及所使用的转换操作有关。在一些转换操作中，分区数可能保持不变，而在另一些操作中，分区数可能会根据数据的重新分布规则而改变。比如，在某些聚合操作后，分区数可能会减少，而在数据拆分操作后，分区数可能会增加。了解子 RDD 分区数的变化规律对于优化 Spark 作业的性能和资源利用有着重要意义。

（四）RDD分区的设定规则

（1）local模式
默认并行度取决于本地机器的核数，即
local: 没有指定CPU核数，则所有计算都运行在一个线程当中，没有任何并行计算
local[K]:指定使用K个Core来运行计算，比如local[2]就是运行2个Core来执行
local[*]: 自动帮你按照CPU的核数来设置线程数。比如CPU有4核，Spark帮你自动设置4个线程计算

        

（2）集群模式
集群模式包含Stanalone、Yarn模式，Mesos的默认并行度为8
默认并行度取决于所有executor上的总核数与2的最大值，比如集群模式的设置如下：
--num-executors 5
--executor-cores 2
上面配置Executor的数量为5，每个Executor的CPU Core数量为2，
executor上的总核数10，则默认并行度为Max(10,2)=10。

注意，上面只是默认并行度（defaultParallelism）的取值，并不一定是RDD最终的分区数。具体来说，对于从集合中创建的RDD，其最终分区数等于defaultParallelism，但是从外部存储系统的数据集创建创建的RDD，其最终的分区数:需要文件的总大小计算得到。

二、高阶函数及 Lambda 表达式

（一）复习 Python 函数语法

        在深入探讨高阶函数和 Lambda 表达式之前，我们先来复习一下 Python 函数的语法。函数是一段可重复使用的代码块，用于完成特定的任务。在 Python 中，我们使用def关键字来定义函数，例如：

创建
def 函数名（参数）:代码逻辑返回值：return
调用
返回值 = 函数名（参数）def function_name(parameters):# 函数体return resultdef add(a,b)return a + bx = add(1,2)
print(x) # x = 3

        函数可以接受参数，在函数体中进行计算，并返回一个结果。参数可以有默认值，函数也可以没有返回值（此时return语句可以省略）。

（二）需求示例与高阶函数概念引入

一个简单的需求场景

        假设我们有一个列表list1 = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]，我们想要对这个列表中的每个元素进行平方和次方运算。我们可以定义一个函数，然后使用map函数来将函数应用到list1的每个元素上：

import mathlist1 = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
print(*list1)def pingFang(x):return x * xdef liFang(x):return math.pow(x, 3)def getNum(_list, flag):if flag == 2:return map(pingFang, _list)if flag == 3:return map(liFang, _list)# 此时的map是python的一个方法，不是spark里面一个算子RDD
# map(函数，后面是一个迭代器)： 循环将一个迭代器中的元素拿过来，传递个前面的函数，计算得到一个map对象
# lambda 其实是一个匿名函数，主要用于一个方法中需要传递一个函数，这个函数只用一次，并且函数中的代码只有一行。
def getNum2(_list, flag):if flag == 2:return map(lambda x: x * x, _list)if flag == 3:return map(lambda x: math.pow(x, 3), _list)for e in getNum2(list1, 2):print(e)print("--" * 20)
for e in getNum2(list1, 3):print(e)

高阶函数的定义

        高阶函数是一种特殊的函数，它的某个参数是一个函数。就像我们上面提到的map函数，它接受一个函数（这里是comp）和一个可迭代对象（这里是list1）作为参数。一般来说，作为参数的函数（这里的comp）被称为参数函数。

        函数和算子在概念上有一些区别，函数通常是指一般的方法，它们在单机环境下执行，不能并行执行。而算子在分布式计算环境中，如 Spark 中，数据是分布式存储的，计算也是分布式进行的。

（三）Lambda 表达式与高阶函数的结合使用

使用 Lambda 表达式优化代码

        对于前面的平方运算示例，我们可以使用 Lambda 表达式来简化代码。Lambda 表达式是一种匿名函数，它的语法形式为lambda parameters: expression。使用 Lambda 表达式来实现列表元素平方运算的代码如下：

# 举例说明：
list1 = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
def comp(x):return x*x
rs = map(comp, list1)
print(*rs)# 使用lambda 优化一下：
list1 = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
rs = map(lambda x: x*x, list1)
print(*rs)

这里的lambda x: x * x就是一个匿名函数，它替代了我们之前定义的comp函数。

更复杂的需求示例

        我们来看一个更复杂一点的需求。给定一个值，我们可以求这个值的 2 次方或者 3 次方。首先是正常的写法：

# 正常思路
import mathdef getPingFang(num):return num ** 2def getLiFang(num):return math.pow(num, 3)def getNum(num, flat):if flat == 2:return getPingFang(num)if flat == 3:return getLiFang(num)print(getNum(10, 2))
print(getNum(10, 3))

这种写法相对比较繁琐，尤其是当函数体比较简单的时候。我们可以使用高阶函数和 Lambda 表达式来优化。我们定义一个高阶函数getNum2：

def getNum2(fun, num):return fun(num)

然后我们可以这样使用它：

print(getNum2(getPingFang, 10))
print(getNum2(getLiFang, 10))

我们还可以使用 Lambda 表达式：

print(getNum2(lambda x: x ** 2, 10))
print(getNum2(lambda x: math.pow(x, 3), 10))

在集合操作中的应用

        假设我们有一个列表list = [1, 3, 4, 45, 56, 8]，我们想要求这个列表中每个数的平方和立方。我们可以使用map这个高阶函数结合 Lambda 表达式来实现：

a = map(lambda x: math.pow(x, 2), list)
b = map(lambda x: math.pow(x, 3), list)
print(*a)
print(*b)

        这里map函数将 Lambda 表达式所定义的函数应用到列表的每个元素上，分别得到平方和立方的结果集。

三、总结

        在 Spark 编程中，理解 RDD 分区的设定规则对于优化数据处理性能至关重要。不同的获取 RDD 方式和运行模式下，分区数的设定都有其特定的规则。同时，高阶函数和 Lambda 表达式是提高代码简洁性和效率的有力工具。通过合理运用高阶函数和 Lambda 表达式，我们可以在处理数据集合时更加灵活和高效。无论是简单的数学运算还是复杂的数据分析场景，这些知识都能帮助我们更好地利用 Spark 的强大功能。在实际的大数据处理项目中，深入掌握这些概念并灵活运用，可以使我们的 Spark 作业更加高效地运行，提高数据处理的速度和质量，为企业和组织从海量数据中获取有价值的信息提供有力支持。希望本文能帮助读者更好地理解和应用这些重要的 Spark 编程知识点。