Spark大数据分与实践笔记（第三章 Spark RDD 弹性分布式数据集-03）_spark大数据技术与应用第三章实训

第三章 Spark RDD 弹性分布式数据集

3.4 RDD的分区

在分布式程序中，网络通信的开销是很大的，因此控制数据分布以获得最少的网络传输可以极大的提升整体性能，Spark程序可以通过控制RDD分区方式来减少通信开销。Spark中所有的RDD都可以进行分区，系统会根据一个针对键的函数对元素进行分区。虽然Sgark不能控制每个键具体划分到哪个节点上，但是可以确保相同的键出现在同一个分区上。
RDD的分区原则是分区的个数尽星等于集群中的CPU核心(Core)数目。对于不同的Spark部署模式而言，都可以通过设置spark.default.parallelism（配置位置在：spark-env.sh）这个参数值来配置默认的分区数目。一般而言，各种模式下的默认分区数目如下:
●Local模式：默认为本地机器的CPU数目，若设置了local[N]，则默认为N。
●Standalone或者Yarn模式：在“集群中所有CPU核数总和”和"2”这两者中取较大值作为默认值。
●Mesos模式：默认的分区数是8。
Spark框架为RDD提供了两种分区方式，分别是哈希分区(HashPartitioner）和范围分区(RangePartitioner)。其中，哈希分区是根据哈希值进行分区;范围分区是将一定范围的数据映射到一个分区中。这两种分区方式已经可以满足大多数应用场景的需求。
与此同时，Spark也支持自定义分区方式，即通过一个自定义的Partitioner对象来控制RDD的分区，从而进一步减少通信开销。
需要注意的是，RDD的分区函数是针对(Key,Value)类型的RDD，分区函数根据Key对RDD元素进行分区。因此,当需要对一些非(Key，Value)类型的RDD进行自定义分区时，需要先把RDD元素转换为(Key,Value)类型，再通过分区函数进行分区操作。
如果想要实现自定义分区，就需要定义一个类，使得这个自定义的类继承org.apache.spark.Partitioner类，并实现其中的3个方法，具体如下:
(1) .def numPartitions:Int:用于返回创建的分区个数。
(2) .def getPartition(Key:Any):用于对输入的Key做处理，并返回该Key的分区ID，分区ID的范围是0~numPartitions-1。
(3) .equals(other:Any):用于Spark判断自定义的Partitioner对象和其他的Partitioner对象是否相同，从而判断两个RDD的分区方式是否相同。

3.5 RDD的依赖关系

在Spark中，不同的RDD之间具有依赖的关系。RDD与它所依赖的RDD的依赖关系有两种类型，分别是窄依赖(narrow dependency)和宽依赖(wide dependency) 。
窄依赖是指父RDD的每一个分区最多被一个子RDD的分区使用，即OneToOneDependencies。窄依赖的表现一般分为两类，第一类表现为一个父RDD的分区对应于一个子RDD的分区；第二类表现为多个父RDD的分区对应于一个子RDD的分区。也就是说，一个父RDD的一个分区不可能对应一个子RDD的多个分区。为了便于理解，我们通常把窄依赖形象的比喻为独生子女。当RDD执行map、filter及union和join操作时，都会产生窄依赖。

RDD做map、filter和union算子操作时，是属于窄依赖的第一类表现;而RDD做join算子操作（对输入进行协同划分)时，是属于窄依赖表现的第二类。这里的输入协同划分是指多个父RDD的某一个分区的所有Key，被划分到子RDD的同一分区，而不是指同一个父RDD的某一个分区，被划分到子RDD的两个分区中。当子RDD做算子操作，因为某个分区操作失败导致数据丢失时，只需要重新对父RDD中对应的分区（与子RDD相对应的分区）做算子操作即可恢复数据。
宽依赖是指子RDD的每一个分区都会使用所有父RDD的所有分区或多个分区，即OneToManyDependecies。为了便于理解，我们通常把宽依赖形象的比喻为超生。当RDD做groupByKey和join操作时，会产生宽依赖，如图所示。

父RDD做groupByKey和join(输入未协同划分）算子操作时，子RDD的每一个分区都会依赖于所有父RDD的所有分区。当子RDD做算子操作，因为某个分区操作失败导致数据丢失时，则需要重新对父RDD中的所有分区进行算子操作才能恢复数据。
需要注意的是，join算子操作既可以属于窄依赖，也可以属于宽依赖。当join算子操作后，分区数量没有变化则为窄依赖(如join with inputs co-partitioned，输入协同划分)﹔当join算子操作后，分区数量发生变化则为宽依赖(如join with inputs not co-partitioned，输入非协同划分)。

3.6 RDD机制

Spark为RDD提供了两个重要的机制，分别是持久化机制(即缓存机制)和容错机制。接下来，本节将针对持久化机制和容错机制进行详细介绍。I

3.6.1 持久化机制

在Spark中，RDD是采用惰性求值，即每次调用行动算子操作，都会从头开始计算。然而，每次调用行动算子操作，都会触发一次从头开始的计算，这对于迭代计算来说，代价是很大的，因为迭代计算经常需要多次重复的使用同一组数据集，所以，为了避免重复计算的开销，可以让Spark