运维开发网

视频:RDD的特性介绍及源码阅读必备基础

运维开发网 https://www.qedev.com 2020-04-23 16:14 出处:网络 作者:运维开发网整理
本节课主要讲: RDD相关的基础知识 讲解几种常见的RDD及其分区策略: textFile sequenceFile JDBCRDD HBaseRDD RDD的基础讲解 RDD的五大特性 1 ?- A list of partitions 2 ?- A function for computing each split 3 ?- A list of dependencies on other RD

本节课主要讲:

RDD相关的基础知识

讲解几种常见的RDD及其分区策略:

textFile

sequenceFile

JDBCRDD

HBaseRDD

RDD的基础讲解

RDD的五大特性

1 ?- A list of partitions

2 ?- A function for computing each split

3 ?- A list of dependencies on other RDDs

4 ?- Optionally, a Partitioner for key-value RDDs (e.g. to say that the RDD is hash-partitioned)

5 ?- Optionally, a list of preferred locations to compute each split on (e.g. block locations for

? ?an HDFS file)

翻译成中文:

1,一个分片列表。也即RDD可以进行分片。

2,每个分片都有计算函数。分片是计算的最小单位

3,一个RDD会依赖于一系列的RDD。并不是所有的RDD都是有依赖。

所有的转换操作都会生成新的RDD,所以就形成了RDD的血缘关系,一个RDD计算失败可以利用其血缘关系进行恢复。

4,可选项。针对 key-values类型的RDD才有的分区器。

5,最佳运行位置 或者 叫偏向运行位置 或者 叫数据的本地性。

RDD的操作

转换(Transformations)(如:map, filter, groupBy, join等),Transformations操作是Lazy的,也就是说从一个RDD转换生成另一个RDD的操作不是马上执行,Spark在遇到Transformations操作时只会记录需要这样的操作,并不会去执行,需要等到有Actions操作的时候才会真正启动计算过程进行计算。

操作(Actions)(如:count, collect, save等),Actions操作会返回结果或把RDD数据写到存储系统中。Actions是触发Spark启动计算的动因。

RDD在集群的使用及工作原理

RDD的声明周期可以分为四步:

1,创建RDD。

RDD创建方式

1)从Hadoop文件系统(如HDFS、Hive、HBase)输入创建。

2)从父RDD转换得到新RDD。

3)通过parallelize或makeRDD将单机数据创建为分布式RDD。

4)基于DB(Mysql)、NoSQL(HBase)、S3(SC3)、数据流创建。

2,构建执行计划。

3,调度执行任务。

由TaskScheduler和TaskSetManager对TaskSet进行进一步资源封装可最佳位置计算,然后进行调度到相应的Executor上去执行。

4,结果返回。

最终的执行结果返回给Driver或者输出到指定的位置。

RDD计算链条

640?wx_fmt=png

RDD的依赖关系

窄依赖:父RDD的一个分区只会被一个子RDD继承:NarrowDependency

宽依赖:父RDD的一个分区可以被若干个子RDD继承:ShuffleDependency

对比,宽依赖,窄依赖:

1,窄依赖允许在一个集群节点上以流水线的方式(pipeline)计算所有父分区。例如,逐个元素地执行map、然后filter操作;宽依赖则需要首先计算好所有父分区数据,然后在节点之间进行Shuffle,与MapReduce类似;

2,窄依赖能够更有效地进行失效节点的恢复,即只需重新计算丢失RDD分区的父分区,而且不同节点之间可以并行计算;而对于一个宽依赖关系的Lineage图,单个节点失效可能导致这个RDD的所有祖先丢失部分分区,因而需要整体重新计算。

RDD数据分区

1,通过控制分区数可以。可以控制task数目。

2,所有key-value类型的RDD都支持分区。HashPartitioner是最常用的。中老年服装品牌也可以自定义分区策略。

3,RDD的很多操作算子都会导致Shuffle,比如ReduceBykey,GroupByKey等。

Shuffle

640?wx_fmt=png

Hadoop文件的压缩

 

压缩格式

工具

算法

扩展名

Splitable

DEFATE

N/A

DEFLATE

.deflate

No

Gzip

gzip

DEFLATE

.gz

No

Bzip2

Bzip2

Bzip2

.bz2

Yes

Lzo

lzop

LZO

.lzo

No

LZ4

N/A

LZ4

.lz4

No

Snappy

N/A

Snappy

.snappy

No

 

 

更多源码视频,请加入知识星球获取:

640?wx_fmt=jpeg


文章来源:https://blog.csdn.net/rlnLo2pNEfx9c/article/details/80823490

0

精彩评论

暂无评论...
验证码 换一张
取 消