Spark之编程模型RDD

前言：spark编程模型两个主要抽象，一个是弹性分布式数据集rdd，它是一种特殊集合，支持多种数据源，可支持并行计算，可缓存；另一个是两种共享变量，支持并行计算的广播变量和累加器。 

1.rdd介绍

    spark大数据处理平台建立在rdd之上，rdd是spark的核心概念，最主要的抽象之一。rdd和spark之间的关系是，rdd是一种基于内存的具有容错性的集群抽象方法，spark是这个抽象方法的实现。

    rdd（resilient distributed dataset）叫做弹性分布式数据集，是spark中最基本的数据抽象，它代表一个不可变、可分区、里面的元素可并行计算的集合。rdd具有数据流模型的特点：自动容错、位置感知性调度和可伸缩性。rdd允许用户在执行多个查询时显式地将工作集缓存在内存中，后续的查询能够重用工作集，这极大地提升了查询速度。

1.1 rdd的特征

    （1）分区（partition）：一个数据分片列表。能够将数据切分，切分好的数据能够进行并行计算，是数据集的原子组成部分。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）函数（compute）：一个计算rdd每个分片的函数。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）依赖（dependency）：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）优先位置（可选）：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。

    （5）分区策略（可选）：一个partitioner，即rdd的分片函数，描述分区的模式和数据存放的位置。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。

     常见的rdd有很多种，每个transformation操作都会产生一种rdd，一下是各种rdd特征比较。

             

1.2 rdd依赖