spark简明扼要之RDD理解

标签: spark

RDD是什么

A Resilient Distributed Dataset,即弹性分布式数据集
是Spark中最基本的数据抽象,
说它弹性,是因为这个数据集是不可变的,
              能够手动或自动进行内存和磁盘数据存储的切换
              能够基于Lineage的高效容错
说它分布式,是因为它的数据是分区存放在各个节点之上,
               并可进行并行计算。

RDD有什么特性

共有5大特性

 1. A list of partitions:一组分片
 在rdd创建的时候,可手动和自动切分地切分分片,分片决定了task并行的数量,基本是one task per partition

 2. A function for computing each split:一个计算分区的函数
 3. A list of dependencies on other RDDs:即RDDLineage
第n个RDD挂了后,可以通过n-1个rdd进行容错复原。

 4. Optionally, a Partitioner for key-value RDDs:即PairRDD,通过hash实现

 5. Optionally, a list of preferred locations to compute each split on
 即数据本地化计算,尽可能保证 计算函数 和 数据分区 在同一个node上,从而达到数据本地化计算。

RDD存储的是什么

RDD虽说是一个数据集,但实际存储的并不是数据,而是:数据的类型,分区的地址,数据的获取方法等描述数据的数据。

ps:传统软件开发领域是程序不动数据动,然,大数据领域的原则是数据不动程序动。

RDD如何创建

 1. 初始化运行上下文环境
SparkConf conf = new SparkConf().setAppName(appName).setMaster(master);
JavaSparkContext sc = new JavaSparkContext(conf);
 2. 创建RDD
 2.1. 通过list创建
List<Integer> data = Arrays.asList(1, 2, 3, 4, 5);
JavaRDD<Integer> distData = sc.parallelize(data);
 2.2. 通过外部数据集创建
 JavaRDD<String> distFile = sc.textFile("data.txt");

RDD的操作:Transformation,shuffle,action

 1. Transformation:转换-->从a状态变成b状态,并不真正执行,只是记录操作步骤
 2. shuffle:洗牌-->把所有分区数据进行按照某种要求进行打散,从而组成新分区,如下图所示。
 3. action:动作-->真正触发计算

这里写图片描述

RDD之持久化

这里写图片描述

版权声明:本文为weixin_42509545原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://blog.csdn.net/weixin_42509545/article/details/82356594

智能推荐

RIP/DHCP/ACL综合实验

组播: 加入组的组成员才会接受到消息,只需要将流量发送一次到组播地址 减少控制面流量,减少头部复制, RIP1  广播   有类  不支持认证 RIP2  组播   无类  (支持VLAN)、支持认证 所有距离矢量路由协议:具有距离矢量特征的协议,都会在边界自动汇总 控制平面  路由的产生是控制平面的流量 数据平面  ...

【Sublime】使用 Sublime 工具时运行python文件

使用 Sublime 工具时报Decode error - output not utf-8解决办法   在菜单中tools中第四项编译系统 内最后一项增添新的编译系统 自动新建 Python.sublime-build文件,并添加"encoding":"cp936"这一行,保存即可 使用python2 则注释encoding改为utf-8 ctr...

java乐观锁和悲观锁最底层的实现

1. CAS实现的乐观锁 CAS(Compare And Swap 比较并且替换)是乐观锁的一种实现方式,是一种轻量级锁,JUC 中很多工具类的实现就是基于 CAS 的,也可以理解为自旋锁 JUC是指import java.util.concurrent下面的包, 比如:import java.util.concurrent.atomic.AtomicInteger; 最终实现是汇编指令:lock...

Python 中各种imread函数的区别与联系

  原博客:https://blog.csdn.net/renelian1572/article/details/78761278 最近一直在用python做图像处理相关的东西,被各种imread函数搞得很头疼,因此今天决定将这些imread总结一下,以免以后因此犯些愚蠢的错误。如果你正好也对此感到困惑可以看下这篇总结。当然,要了解具体的细节,还是应该 read the fuc...

用栈判断一个字符串是否平衡

注: (1)本文定义:左符号:‘(’、‘[’、‘{’…… 右符号:‘)’、‘]’、‘}’……. (2)所谓的字符串的符号平衡,是指字符串中的左符号与右符号对应且相等,如字符串中的如‘(&r...

猜你喜欢

JAVA环境变量配置

位置 计算机->属性->高级系统设置->环境变量 方式一 用户变量新建path 系统变量新建classpath 方式二 系统变量 新建JAVA_HOME,值为JDK路径 编辑path,前加 方式三 用户变量新建JAVA_HOME 此路径含lib、bin、jre等文件夹。后运行tomcat,eclipse等需此变量,故最好设。 用户变量编辑Path,前加 系统可在任何路径识别jav...

常用的伪类选择器

CSS选择器众多 CSS选择器及权重计算 最常用的莫过于类选择器,其它的相对用的就不会那么多了,当然属性选择器和为类选择器用的也会比较多,这里我们就常用的伪类选择器来讲一讲。 什么是伪类选择器? CSS伪类是用来添加一些选择器的特殊效果。 常用的为类选择器 状态伪类 我们中最常见的为类选择器就是a标签(链接)上的为类选择器。 当我们使用它们的时候,需要遵循一定的顺序问题,否则将可能出现bug 注意...

ButterKnife的使用介绍及原理探究(六)

前面分析了ButterKnife的源码,了解其实现原理,那么就将原理运用于实践吧。 github地址:       点击打开链接 一、自定义注解 这里为了便于理解,只提供BindView注解。 二、添加注解处理器 添加ViewInjectProcessor注解处理器,看代码, 这里分别实现了init、getSupportedAnnotationTypes、g...

1.写一个程序,提示输入两个字符串,然后进行比较,输出较小的字符串。考试复习题库1|要求:只能使用单字符比较操作。

1.写一个程序,提示输入两个字符串,然后进行比较,输出较小的字符串。 要求只能使用单字符比较操作。 参考代码: 实验结果截图:...

小demo:slideDown()实现二级菜单栏下拉效果

效果如下,鼠标经过显示隐藏的二级菜单栏 但是这样的时候会存在一个问题,就是鼠标快速不停移入移出会导致二级菜单栏闪屏现象,一般需要使用stop()来清除事件  ...