Spark--如何理解RDD

1、概念

  rdd是对数据集的逻辑表示，本身并不存储数据，只是封装了计算逻辑，并构建执行计划，通过保存血缘关系来记录rdd的执行过程和历史（当一个rdd需要重算时，系统会根据血缘关系追溯到最初的数据源，重建丢失的数据），调用行动算子时，会从数据源读取数据并进行计算。

2、五大属性

（1）compute计算函数

描述本RDD的数据如何被计算出来，本质上是运算逻辑的迭代器。

（2）依赖RDD列表

一个或多个前序RDD。

（3）分区列表

RDD被分成多个分区。

（4）(k, v)类型rdd的分区器

• 普通RDD：没有分区器，分区数在创建和Transformation时决定，后续可以通过repartition或coalesce修改。
• PairRDD：具有分区器的概念，可以基于键分区，常用于需要快速聚合的场景。

（5）每个分区的首选计算执行位置

  为了提高计算效率，会根据数据本地化级别，将任务分配到离数据最近的计算节点进行计算。

3、本质

  rdd的本质是迭代器。

  迭代器是一种用于访问集合元素的设计模式，允许我们按需逐个访问集合中的元素，而无需一次性加载整个集合，允许一次仅访问一个元素，访问后可以前进到下一个元素，但无法返回上一个元素。
  RDD在调用行动算子(如collect，count，reduce等)时，每个Task中会创建个独立的迭代器。

执行具体过程：
（1）分区：当使用RDD时，数据被分成多个分区，每个分区可以独立处理。
（2）任务调度：当行动算子被调用时，spark会为每个分区创建一个任务(Task)。
（3）创建迭代器：在每个Task开始执行时，Spark会为该分区的RDD创建一个迭代器，从而能够逐个访问该分区的数据。
（4）逐个处理：迭代器以惰性方式逐一处理元素，执行你所定义的操作;例如，映射、过滤、聚合等。
（5）结果汇总：在所有分区的Task完成后，Spark将结果汇总，并返回给驱动程序。

  并行处理的优点:
（1）内存效率：每个Task只在内存中处理当前迭代器的数据，避免了同时加载整个RDD所需的数据。
（2）并行处理：每个Task可以在不同的Executor上并行执行，加快计速度。
（3）故障恢复：由于RDD的分区和迭代器的特性，Spark可以轻松地重算丢失的分区数据。

4、特点

（1）不可变性

一旦创建，rdd的内容就不能被修改了，可以通过转化操作创建一个新的rdd。

（2）弹性

可以在任务失败或数据丢失时，自动重算。

（3）支持分布计算

可以在整个集群中分布式地进行计算，支持大规模数据的处理。

5、RDD，DataFrame与DataSet的区别与联系

（1）RDD与DataFrame的区别

  RDD中的数据没有结构信息，是一种基础的数据结构，主要使用函数式编程风格。
  DataFrame是在RDD的基础上加上了一层schema，类似于表格的数据结构，有列名和数据类型的信息，提供了更加简洁的代码书写方式，支持SQL查询。

  上图直观地体现了DataFrame和RDD的区别。左侧的RDD[Person]虽然以Person为类型参数，但Spark框架本身不了解Person类的内部结构。而右侧的DataFrame却提供了详细的结构信息，使得Spark SQL可以清楚地知道该数据集中包含哪些列，每列的名称和类型各是什么。DataFrame多了数据的结构信息，即schema。RDD是分布式的Java对象的集合。DataFrame是分布式的Row对象的集合。DataFrame除了提供了比RDD更丰富的算子以外，更重要的特点是提升执行效率、减少数据读取以及执行计划的优化，比如filter下推、裁剪等。
RDD：

val rdd = sc.parallelize(Seq(1, 2, 3, 4, 5))
val result = rdd.map(_ * 2).collect()

DataFrame：

val df = spark.read.json("path/to/json")
val result = df.filter($"age" > 20).select("name", "age")

（2）DataFrame与DataSet的区别
DataFrame 可以看作是 DataSet[Row]，其中 Row 是一个通用的行类型。DataFrame可以认为是Dataset的一个特例，主要区别是DataSet每一个record存储的是一个强类型值而不是一个Row。
DataSet：

case class Person(name: String, age: Int)
val ds = spark.read.json("path/to/json").as[Person]
val result = ds.filter(_.age > 20).map(_.name)

6、宽RDD和窄RDD的概念

RDD在计算过程中，会被划分成多个Stage，这依靠的就是RDD之间的依赖关系。RDD有2种依赖关系（宽依赖和窄依赖），根据不同的依赖关系来确定是否需要shuffle，根据是否需要shuffle来确定是否需要划分stage。

（1）窄依赖（NarrowDependency）有如下两种：

① OneToOneDependency
父RDD的分区与子RDD的分区是一一对应的关系。
② RangeDependency
父RDD与子RDD是多对一的关系，但是父RDD的分区与子RDD的分区是一对一的关系，所以分区之间并不会交叉，每个子RDD依然对应父RDD的一个分区。

窄RDD分区间的计算是一对一的，每个子RDD只需要读取父RDD的一个分区即可进行计算，所以不需要shuffle，即不需要划分stage。

2、宽依赖：

ShuffleDependency

ShuffleDependency中，每个子RDD的每个分区，都要拿到父RDD的每个分区的数据，才能进行计算。正因如此，在遇到宽依赖时，需要对数据进行shuffle处理，划分stage。