图解大数据 | 基于Spark RDD的大数据处理分析

作者：韩信子@ShowMeAI

教程地址：http://www.showmeai.tech/tutorials/84

本文地址：http://www.showmeai.tech/article-detail/174

声明：版权所有，转载请联系平台与作者并注明出处

1.RDD介绍

要掌握基于Spark的大数据处理操作，大家首先要了解Spark中的一个核心数据概念：RDD。

• 《更多资料 → 数据科学工具速查 | Spark使用指南(RDD版)》

1）RDD介绍

RDD，全称为Resilient Distributed Datasets(弹性分布式数据集合)，是一个容错的、并行的数据结构，可以让用户显式地将数据存储到磁盘和内存中，并能控制数据的分区。同时，RDD还提供了一组丰富的操作来操作这些数据。

RDD(弹性分布式数据集合)是Spark的基本数据结构，Spark中的所有数据都是通过RDD的形式进行组织。

• RDD是不可变的数据集合，每个分区数据是只读的。
• RDD数据集要做逻辑分区(类似hadoop中的逻辑切片split)，每个分区可以单独在集群节点进行计算。
• RDD数据集中的数据类型可以包含任何java类型、scala类型、python类型或者自定义的类型。
• RDD擅长的领域：迭代式的数据处理，比如机器学习。

2）RDD的5个属性

每个RDD有5个主要的属性：

• 一组分片(partition)，数据集的基本组成单位。
• 一个函数，计算每个分片。
• 对parent RDD的依赖，描述RDD之间的lineage。
• 一个Partitioner，对于key-value的RDD。
• 一个列表，存储存取每个partition的preferred位置。例如对于一个HDFS文件来说，存储每个partition所在的块的位置。

3）RDD与Spark任务

在Spark分布式数据处理任务中，RDD提供数据，供任务处理。很多时候hadoop和Spark结合使用：hadoop提供hdfs的分布式存储，Spark处理hdfs中的数据。

我们以 sc.textFile("hdfs://path/to/file") 形式生成RDD时，Spark就已经算好了数据的各个切片(也叫分区)，并把分区信息放在了一个列表(名单)里，这个名单就属于RDD自带的其中一个属性。

• RDD不包含实际要处理的数据，而是在RDD中的分区名单中载明切片的信息。
• 数据已经在Hadoop的数据节点上了，只要在RDD中标明分区对应的数据所在位置、偏移量、数据长度即可，就类似元数据。

RDD在被分发到每个执行计算的任务节点后，每个任务节点会根据元数据信息获取自身节点负责计算的分区数据，并把数据放到本节点的内存当中，然后对数据进行计算。

• 每个分区由一个节点来计算，换句话说就是每个任务只计算RDD的其中一个分区。

一般我们会把数据所在的节点和Spark的计算节点配成同一个主机，这样就实现了数据本地化。

• 在worker节点将要运行Spark的计算任务时，只需要从本地加载数据，再对数据运用Spark的计算函数，就不需要从别处(例如远程主机)通过网络传输把需要计算的数据拿过来，从而避免了昂贵的网络传输成本。“宁可移动函数，也不要移动数据”。

2.RDD创建方式

1）创建RDD的3种方式

RDD的3种创建方式如下图所示（以pyspark代码为例）：

2）从外部数据创建RDD

spark也支持从多种外部数据源读取数据，包括HDFS、S3、Hbase、MongoDB等，如下图所示：

3.RDD广播与累加器

1）共享变量

在Spark程序中，当一个传递给Spark操作(例如map和reduce)的函数在远程节点上面运行时，Spark操作实际上操作的是这个函数所用变量的一个独立副本。

这些变量会被复制到每台机器上，并且这些变量在远程机器上的所有更新都不会传递回驱动程序。

通常跨任务的读写变量是低效的，但是，Spark还是为两种常见的使用模式提供了两种有限的共享变量：

• 广播变量(broadcast variable)
• 累加器(accumulator）

2）广播变量

为什么要将变量定义成广播变量？

在分布式计算中，由Driver端分发大对象(如字典、集合、黑白名单等)，一般，如果这个变量不是广播变量，那么每个task就会分发一份。在task数目十分多的情况下，Driver的带宽会成为系统的瓶颈，而且会大量消耗task服务器上的资源。

如果将这个变量声明为广播变量，那么知识每个executor拥有一份，这个executor启动的task会共享这个变量，节省了通信的成本和服务器的资源

3）累加器

为什么要将变量定义为累加器？

在Spark应用程序中，异常监控、调试、记录符合某特性的数据数目，这些需求都需要用到计数器。

如果变量不被声明为累加器，那么被改变时不在Driver端进行全局汇总。即在分布式运行时每个task运行的只是原始变量的一个副本，并不能改变原始变量的值。

但是，当这个变量被声明为累加器后，该变量就会有分布式计数的功能。

4.RDD transformation与action

要对大数据进行处理，我们需要使用到一系列Spark RDD上可以变换与操作的算子，我们来重点理解一下spark的RDD transformation和action。

1）transformation与action

transformation操作针对已有的RDD创建一个新的RDD。

• 例如，map就是一种transformation操作。它用于将已有RDD的每个元素传入一个自定义的函数，并获取一个新的元素，然后将所有新元素组成一个新的RDD。

action主要是对RDD进行最后的操作(如遍历、reduce、保存到文件等)，并可以返回结果给Driver程序。

• 例如，reduce就是一种action操作。它用于对RDD中的所有元素进行聚合操作，并获取一个最终的结果，然后返回给Driver程序。

2）高频RDD算子图解

map与flatMap

filter与distinct

sort与sortBy

sample与takeSample

union与intersection

groupby与cartesian

join与glom

collect与reduce

top与count

takeOrdered与take

reduceByKey与collectAsMap

5.参考资料

• 数据科学工具速查 | Spark使用指南(RDD版) http://www.showmeai.tech/article-detail/106
• 数据科学工具速查 | Spark使用指南(SQL版) http://www.showmeai.tech/article-detail/107
• 耿嘉安，Spark内核设计的艺术：架构设计与实现， 机械工业出版社，2018
• 郭景瞻，图解Spark：核心技术与案例实战，电子工业出版社
• Spark的基本数据结构RDD介绍: https://blog.csdn.net/qq_31598113/article/details/70832701
• Spark RDD（Resilient Distributed Datasets）论文：http://spark.apachecn.org/paper/zh/spark-rdd.html