Pyspark学习笔记（四）弹性分布式数据集 RDD（上）

在这里插入图片描述

文章目录

• 前言
• 1、什么是 RDD - Resilient Distributed Dataset？
• 2、PySpark RDD 的优势
• • ①.内存处理
  • ②.不变性
  • ③.惰性运算
  • ④.分区
• 3、PySpark RDD 局限
• 4、创建 RDD
• • ①使用 sparkContext.parallelize() 创建 RDD
  • ②引用在外部存储系统中的数据集
  • ③创建空RDD
• 5、RDD并行化
• 6、PySpark RDD 操作
• 7、RDD的类型
• 8、混洗操作

前言

参考文献.

1、什么是 RDD - Resilient Distributed Dataset？

RDD（弹性分布式数据集） 是 PySpark 的基本构建块，它是容错、不可变的 分布式对象集合。

换句话说，RDD 是类似于 Python 中的列表的对象集合，不同之处在于 RDD 是在分散在多个物理服务器上的多个进程上计算的，也称为集群中的节点，而 Python 集合仅在一个进程中存在和处理。 一旦你创建了一个 RDD，就不能改变它。

2、PySpark RDD 的优势

①.内存处理

PySpark 从磁盘加载数据并 在内存中处理数据 并将数据保存在内存中，这是 PySpark 和 Mapreduce（I/O 密集型）之间的主要区别。在转换操作过程中，我们还可以在内存中缓存/持久化 RDD 以重用之前的计算。

②.不变性

PySpark 在 HDFS、S3 等上的容错数据存储上运行，因此任何 RDD 操作失败，它会自动从其他分区重新加载数据。此外，当 PySpark 应用程序在集群上运行时，PySpark 任务失败会自动恢复一定次数（根据配置）并无缝完成应用程序。

③.惰性运算

PySpark 不会在驱动程序出现/遇到 RDD 转换时对其进行评估，而是在遇到（DAG）时保留所有转换，并在看到第一个 RDD 操作时评估所有转换。

④.分区

当从数据创建 RDD 时，它默认对 RDD 中的元素进行分区。默认情况下，它会根据可用内核数进行分区。

3、PySpark RDD 局限

PySpark RDD 不太适合更新状态存储的应用程序，例如 Web 应用程序的存储系统。对于这些应用程序，使用执行传统更新日志记录和数据检查点的系统（例如数据库）更有效。 RDD 的目标是为批处理分析提供高效的编程模型，并离开这些异步应用程序。

4、创建 RDD

RDD 主要以两种不同的方式创建： · 并行化现有的集合； · 引用在外部存储系统中的数据集（HDFS，S3等等）。

①使用 sparkContext.parallelize() 创建 RDD

此函数将驱动程序中的现有集合加载到并行化 RDD 中。这是创建 RDD 的基本方法，当内存中已有从文件或数据库加载的数据时使用。并且它要求在创建 RDD 之前所有数据都存在于驱动程序中。

#Create RDD from parallelize    
data = [1,2,3,4,5,6,7,8,9,10,11,12]
Rdd = spark.sparkContext.parallelize(data)

②引用在外部存储系统中的数据集

Spark 将文本文件读入 RDD — 参考文献 sparkContext.textFile() 用于从 HDFS、S3 和任何 Hadoop 支持的文件系统读取文本文件，此方法将路径作为参数，并可选择将多个分区作为第二个参数； sparkContext.wholeTextFiles() 将文本文件读入 RDD[(String,String)] 类型的 PairedRDD，键是文件路径，值是文件内容。此方法还将路径作为参数，并可选择将多个分区作为第二个参数。

当我们知道要读取的多个文件的名称时，如果想从文件夹中读取所有文件以创建 RDD，只需输入带逗号分隔符的所有文件名和一个文件夹，并且上述两种方法都支持这一点。同时也接受模式匹配和通配符。

③创建空RDD

rdd = spark.sparkContext.emptyRDD
rdd2 = spark.sparkContext.parallelize( [ ],10)  #This creates 10 partitions

5、RDD并行化

参考文献 启动 RDD 时，它会根据资源的可用性自动将数据拆分为分区。 getNumPartitions() - 这是一个 RDD 函数，它返回我们的数据集分成的多个分区。 我们也可以手动设置多个分区，我们只需要将多个分区作为第二个参数传递给这些函数， 例如

sparkContext.parallelize([1,2,3,4,56,7,8,9,12,3], 10)

有时我们可能需要对RDD进行**重新分区**， PySpark 提供了两种重新分区的方式； 第一：使用repartition(numPartitions)从所有节点混洗数据的方法，也称为完全混洗， repartition()方法是一项非常昂贵的操作，因为它会从集群中的所有节点打乱数据。

第二：使用coalesce(n)方法**从最小节点混洗数据，仅用于减少分区数**。 这是repartition()使用合并降低跨分区数据移动的优化或改进版本。 例如，如果现在有 4 个分区，那么coalesce(2)只从 2 个节点移动数据。

#执行前：
Partition 1 : 0 1 2
Partition 2 : 3 4 5
Partition 3 : 6 7 8 9
Partition 4 : 10 11 12
Partition 5 : 13 14 15
Partition 6 : 16 17 18 19
#执行后：
Partition 1 : 0 1 2
Partition 2 : 3 4 5 6 7 8 9
Partition 4 : 10 11 12 
Partition 5 : 13 14 15 16 17 18 19

第三：使用partitionBy(numPartitions, partiontionFunc=portable_hash)函数，

6、PySpark RDD 操作

转化操作(Transformations )： 操作RDD并返回一个 新RDD 的函数； 参考文献

行动操作(Actions )： 操作RDD, 触发计算, 并返回 一个值 或者 进行输出 的函数。 参考文献

二者最大的区别是，转化操作是惰性的，将一个 RDD 转换/更新为另一个，意味着直到我们调用一个 行动操作之前，是不会执行计算的。 更多细节和例子，请查看后续博文

7、RDD的类型

除了包含通用属性和函数的基本类型BaseRDD外，RDD还有以下常见的类型： PairRDD： 由键值对组成的RDD，比如前面提到的用wholeTextFiles()方法读取的内容就是以键值对的形式存在 DoubleRDD: 由双精度浮点数组成的RDD。 DataFrame：以前的版本被称为SchemaRDD，按一组有固定名字和类型的列来组织的分布式数据集. DataFrame等价于sparkSQL中的关系型表 所以我们在使用sparkSQL的时候常常要创建这个DataFrame。 HadoopRDD：提供读取存储在HDFS上的数据的RDD。

8、混洗操作

Shuffle 是 PySpark 用来在不同执行器甚至跨机器重新分配数据的机制。 可能导致shuffle的操作包括： repartition和coalesce等重新分区操作， groupByKey和reduceByKey等聚合操作（计数除外）， 以及cogroup和join等连接操作

PySpark Shuffle 是一项昂贵的操作，因为它涉及以下内容 ·磁盘输入/输出 ·涉及数据序列化和反序列化 ·网络输入/输出

混洗分区大小和性能 根据数据集大小，较多的内核和内存混洗可能有益或有害我们的任务。 ①当处理较少的数据量时，通常应该减少 shuffle 分区， 否则最终会得到许多分区文件，每个分区中的记录数较少，形成了文件碎片化。

②另一方面，当有太多数据且分区数量较少时，会导致运行时间较长的任务较少，有时也可能会出现内存不足错误。

获得正确大小的 shuffle 分区总是很棘手，需要多次运行不同的值才能达到优化的数量。当在 PySpark task上遇到性能问题时，这是要寻找的关键属性之一