spark02--RDD概念,属性,类型,32个常用算子,创建,reduceByKey和groupByKey的区别
文章目录
一 弹性分布式数据集(RDD)
RDD是一个分布式数据集, 是spark中最基本的数据抽象, 是一个不可变, 可分区, 里面的元素可以并行计算的集合, 具有高容错, 位置感知性调度, 可伸缩性的特点
1.1 高容错
RDD的容错性其实就是为了提高计算效率, 如果在shuffle前发生宕机, 只需要把丢失的分区对应的父RDD分区进行重新计算即可, 如果是shuffle后的分区数据丢失, 此时就需要将整个父RDD的分区调用shuffle算子进行重新计算
RDD的容错性就是指RDD分区的恢复过程, 和Worker宕机无关
1.2 位置感知性调度
位置感知就是把具体的计算逻辑发送到对应的数据节点上, 进行计算, 可以有效避免发生大量网络IO
如果Worker节点和datanode节点不是一个几点的话, 这个时候Worker会从datanode节点上拉取数据
如果工作的Worker节点发生了宕机, 这个时候不会重新开启一个worker, 而是会将宕机的那个节点所执行的任务分配到另一个worker上
1.3 可伸缩性
RDD可以实现自动容错
二 RDD的属性
- A list of partitions
- A function for computing each split
- A list of dependencies on other RDDs
- Optionally, a Partitioner for key-value RDDs (e.g. to say that the RDD is hash-partitioned)
- Optionally, a list of preferred locations to compute each split on (e.g. block locations for an HDFS file)
1）一组分片（Partition），即数据集的基本组成单位。对于RDD来说，每个分片都会被一个计算任务处理，并决定并行计算的粒度。用户可以在创建RDD时指定RDD的分片个数，如果没有指定，那么就会采用默认值。默认值就是程序所分配到的CPU Core的数目。
2）一个计算每个分区的函数。Spark中RDD的计算是以分片为单位的，每个RDD都会实现compute函数以达到这个目的。compute函数会对迭代器进行复合，不需要保存每次计算的结果。
3）RDD之间的依赖关系。RDD的每次转换都会生成一个新的RDD，所以RDD之间就会形成类似于流水线一样的前后依赖关系。在部分分区数据丢失时，Spark可以通过这个依赖关系重新计算丢失的分区数据，而不是对RDD的所有分区进行重新计算。
4）一个Partitioner，即RDD的分片函数。当前Spark中实现了两种类型的分片函数，一个是基于哈希的HashPartitioner，另外一个是基于范围的RangePartitioner。只有对于key-value的RDD，才会有Partitioner，非key-value的RDD的Parititioner的值是None。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。
5）一个列表，存储存取每个Partition的优先位置（preferred location）。对于一个HDFS文件来说，这个列表保存的就是每个Partition所在的块的位置。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。
三 RDD类型
官网链接: https://spark.apache.org/docs/2.2.0/rdd-programming-guide.html#basics
- 带有By的算子都是发生在shuffle过程
3.1 Transformation
特点: 延迟加载
常用的Transformation
| 转换 | 含义 |
|---|---|
| map(func) | 返回一个新的RDD，该RDD由每一个输入元素经过func函数转换后组成 |
| filter(func) | 返回一个新的RDD，该RDD由经过func函数计算后返回值为true的输入元素组成 |
| flatMap(func) | 类似于map，但是每一个输入元素可以被映射为0或多个输出元素（所以func应该返回一个序列，而不是单一元素） |
| mapPartitions(func) | 类似于map，但独立地在RDD的每一个分片上运行，因此在类型为T的RDD上运行时，func的函数类型必须是Iterator[T] => Iterator[U] |
| mapPartitionsWithIndex(func) | 类似于mapPartitions，但func带有一个整数参数表示分片的索引值，因此在类型为T的RDD上运行时，func的函数类型必须是(Int, Iterator[T]) => Iterator[U] |
| sample(withReplacement, fraction, seed) | 根据fraction指定的比例对数据进行采样，可以选择是否使用随机数进行替换，seed用于指定随机数生成器种子 |
| union(otherDataset) | 对源RDD和参数RDD求并集后返回一个新的RDD |
| intersection(otherDataset) | 对源RDD和参数RDD求交集后返回一个新的RDD |
| distinct([numTasks])) | 对源RDD进行去重后返回一个新的RDD |
| groupByKey([numTasks]) | 在一个(K,V)的RDD上调用，返回一个(K, Iterator[V])的RDD |
| reduceByKey(func, [numTasks]) | 在一个(K,V)的RDD上调用，返回一个(K,V)的RDD，使用指定的reduce函数，将相同key的值聚合到一起，与groupByKey类似，reduce任务的个数可以通过第二个可选的参数来设置 |
| aggregateByKey(zeroValue)(seqOp, combOp, [numTasks]) | |
| sortByKey([ascending], [numTasks]) | 在一个(K,V)的RDD上调用，K必须实现Ordered接口，返回一个按照key进行排序的(K,V)的RDD |
| sortBy(func,[ascending], [numTasks]) | 与sortByKey类似，但是更灵活 |
| join(otherDataset, [numTasks]) | 在类型为(K,V)和(K,W)的RDD上调用，返回一个相同key对应的所有元素对在一起的(K,(V,W))的RDD |
| cogroup(otherDataset, [numTasks]) | 在类型为(K,V)和(K,W)的RDD上调用，返回一个(K,(Iterable,Iterable))类型的RDD |
| cartesian(otherDataset) | 笛卡尔积 |
| pipe(command, [envVars]) | |
| coalesce(numPartitions) | 重新分区 |
| repartition(numPartitions) | 重新分区 |
| repartitionAndSortWithinPartitions(partitioner) | 重新分区 |
3.2 Action
- 立即运行
- 在源码中Action算子会调用 runJob 方法
- 每调用一个action算子就相当于提交了一个Job
| 动作 | 含义 |
|---|---|
| reduce(func) | 通过func函数聚集RDD中的所有元素，这个功能必须是可交换且可并联的 |
| collect() | 在驱动程序中，以数组的形式返回数据集的所有元素 |
| count() | 返回RDD的元素个数 |
| first() | 返回RDD的第一个元素（类似于take(1)） |
| take(n) | 返回一个由数据集的前n个元素组成的数组 |
| takeSample(withReplacement,num, [seed]) | 返回一个数组，该数组由从数据集中随机采样的num个元素组成，可以选择是否用随机数替换不足的部分，seed用于指定随机数生成器种子 |
| takeOrdered(n, [ordering]) | takeOrdered和top类似，只不过以和top相反的顺序返回元素 |
| saveAsTextFile(path) | 将数据集的元素以textfile的形式保存到HDFS文件系统或者其他支持的文件系统，对于每个元素，Spark将会调用toString方法，将它装换为文件中的文本 |
| saveAsSequenceFile(path) | 将数据集中的元素以Hadoop sequencefile的格式保存到指定的目录下，可以使HDFS或者其他Hadoop支持的文件系统。 |
| saveAsObjectFile(path) | |
| countByKey() | 针对(K,V)类型的RDD，返回一个(K,Int)的map，表示每一个key对应的元素个数。 |
| foreach(func) | 在数据集的每一个元素上，运行函数func进行更新。 |
四 创建RDD方式三种方式
1)由一个已经存在的Scala集合创建。
sc.parallelize(Array(1,2,3,4))
2)由外部存储系统的数据集创建，包括本地的文件系统，还有所有Hadoop支持的数据集，比如HDFS、Cassandra、HBase等
sc.textFile("hdfs://hadoop:8020/word.txt")3)使用makeRDD函数创建
sc.makeRDD(Array(1,2,3,4))
五 reduceByKey和groupBykey的区别
reduceByKey会先进行局部聚合, 再进行全局聚合, 这样会大大减少网络IO, 起到优化作用, 所以在能用到reduceByKey的情况下用reduceByKey
groupByKey
reduce
24000
ByKey
- Spark算子：RDD键值转换操作(3)–groupByKey、reduceByKey、reduceByKeyLocally
- Spark中groupByKey与reduceByKey算子之间的区别
- Spark groupByKey，reduceByKey，sortByKey算子的区别
- Spark算子：RDD键值转换操作(3)–groupByKey、reduceByKey、reduceByKeyLocally
- Spark算子：RDD键值转换操作(3)–groupBy、keyBy、groupByKey、reduceByKey、reduceByKeyLocally
- Spark算子：RDD键值转换操作(3)–groupByKey、reduceByKey、reduceByKeyLocally
- Spark编程之基本的RDD算子之cogroup，groupBy，groupByKey
- 在Spark中关于groupByKey与reduceByKey的区别
- Spark RDD/Core 编程 API入门系列之map、filter、textFile、cache、对Job输出结果进行升和降序、union、groupByKey、join、reduce、look
- Spark中groupBy groupByKey reduceByKey的区别
- Spark RDD/Core 编程 API入门系列之map、filter、textFile、cache、对Job输出结果进行升和降序、union、groupByKey、join、reduce、lookup（一）
- Spark编程的基本的算子之：combineByKey，reduceByKey，groupByKey
- pair RDD groupByKey countByKey countByValue aggregateByKey reduceByKey 测试
- 【Spark系列2】reduceByKey和groupByKey区别与用法
- spark 的一些常用函数 filter，map，flatMap，lookup ，reduce，groupByKey
- day17:RDD案例（join、cogroup、reduceByKey、groupByKey, join cogroup
- RDD键值转换操作(3)–groupByKey、reduceByKey、reduceByKeyLocally
- Spark RDD/Core 编程 API入门系列 之rdd案例（map、filter、flatMap、groupByKey、reduceByKey、join、cogroupy等）（四）
- Spark RDD/Core 编程 API入门系列 之rdd案例（map、filter、flatMap、groupByKey、reduceByKey、join、cogroupy等）（四）
- 深入理解groupByKey、reduceByKey区别——本质就是一个local machine的reduce操作