欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识！
您现在的位置是： 首页

Spark源码解析：RDD

程序员文章站 2022-07-15 17:14:01
...

Spark源码解析：RDD

 

0x00 前言

本篇是Spark源码解析的第一篇，主要通过源码分析Spark设计中最重要的一个概念——RDD。

本文会主要讲解RDD的主要概念和源码中的设计，并通过一个例子详细地讲解RDD是如何生成的和转换的。

文章结构

  1. 先回顾一下RDD的一些特征以及几个基本概念
  2. RDD源码分析，整体的源码设计
  3. 举一个例子，通过这个例子来一步步地追踪源码。

0x01 概念

什么是RDD

RDD（Resilient Distributed Dataset）：弹性分布式数据集。

我们可以先大致这样理解RDD：RDD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处理这些数据。

注意：RDD作为数据结构，本质上是一个只读的分区记录集合。一个RDD可以包含多个分区，每个分区就是一个dataset片段。RDD可以相互依赖。

RDD的5个特征

下面是源码中对RDD类的注释：

Internally, each RDD is characterized by five main properties:

  • A list of partitions
  • A function for computing each split
  • A list of dependencies on other RDDs
  • Optionally, a Partitioner for key-value RDDs (e.g. to say that the RDD is hash-partitioned)
  • Optionally, a list of preferred locations to compute each split on (e.g. block locations for an HDFS file)

也是说RDD会有5个基本特征:

  1. 有一个分片列表。就是能被切分，和hadoop一样的，能够切分的数据才能并行计算。

  2. 有一个函数计算每一个分片，这里指的是下面会提到的compute函数。

  3. 对其他的RDD的依赖列表，依赖还具体分为宽依赖和窄依赖。

  4. 可选：key-value型的RDD是根据哈希来分区的，类似于mapreduce当中的Paritioner接口，控制key分到哪个reduce。

  5. 可选：每一个分片的优先计算位置（preferred locations），比如HDFS的block的所在位置应该是优先计算的位置。

宽窄依赖

这里有必要稍微解释一下窄依赖（narrow dependency）和宽依赖（wide dependency）。

如果RDD的每个分区最多只能被一个Child RDD的一个分区使用，则称之为narrow dependency；若多个Child RDD分区都可以依赖，则称之为wide dependency。不同的操作依据其特性，可能会产生不同的依赖。

例如map操作会产生narrow dependency，而join操作则产生wide dependency。

如图，两种依赖的区别：

Spark源码解析：RDD

0x02 源码分析

RDD的5个特征会对应到源码中的4个方法和一个属性。

RDD.scala是一个总的抽象，不同的子类会对下面的方法进行定制化的实现。比如compute方法，不同的子类在实现的时候是不同的。 下面会对每一块单独分析。

  //该方法只会被调用一次。由子类实现，返回这个RDD的所有partition。
  protected def getPartitions: Array[Partition]
  //该方法只会被调用一次。计算该RDD和父RDD的依赖关系
  protected def getDependencies: Seq[Dependency[_]] = deps
  // 对分区进行计算，返回一个可遍历的结果
  def compute(split: Partition, context: TaskContext): Iterator[T]
  //可选的，指定优先位置，输入参数是split分片，输出结果是一组优先的节点位置
  protected def getPreferredLocations(split: Partition): Seq[String] = Nil
  //可选的，分区的方法，针对第4点，类似于mapreduce当中的Paritioner接口，控制key分到哪个reduce
  @transient val partitioner: Option[Partitioner] = None

举个栗子

官网最基本的wordcount例子。虽简单，但是代表性很强。

val textFile = sc.textFile("hdfs://...")
val counts = textFile.flatMap(line => line.split(" "))
                 .filter(_.length >= 2)
                 .map(word => (word, 1))
                 .reduceByKey(_ + _)
counts.saveAsTextFile("hdfs://...")

这里涉及到了下面几个RDD转换：

  1. textFile是一个HadoopRDD经过map后的MapPartitionsRDD，
  2. 经过flatMap后仍然是一个MapPartitionsRDD，
  3. 经过filter方法之后生成了一个新的MapPartitionsRDD，
  4. 经过map函数之后，继续是一个MapPartitionsRDD，
  5. 最后经过reduceByKey变成了ShuffleRDD。

在正式看源码之前，上一个图。 这个图是整个流程中RDD的转换过程，这里先不讲解，后面看源码的时候如果有疑惑再回过头来看，就明白了。

Spark源码解析：RDD

1. 源码分析：SparkContext类

我们首先看textFile的这个方法，在SparkContext中。

看注释：

Read a text file from HDFS, a local file system (available on all nodes), or any Hadoop-supported file system URI, and return it as an RDD of Strings.

其实textFile只是对hadoopFile方法做了一层封装。

注意： 此处有一个比较长的关系链，为了理解textfile中的逻辑，需要先看hadoopFile；hadoopFile最后返回的是一个HadoopRDD对象，然后HadoopRDD经过map变换后，转换成MapPartitionsRDD，由于HadoopRDD没有重写map函数，因此调用的是父类RDD的map；

  def textFile(path: String, minPartitions: Int = defaultMinPartitions): RDD[String] = withScope {
    assertNotStopped()//暂时不用看
    hadoopFile(path, classOf[TextInputFormat], classOf[LongWritable], classOf[Text], minPartitions).map(pair => pair._2.toString).setName(path)
  }

我们继续向下追，看一下hadoopFile方法，hadoopFile中做了这些事。

  • 把hadoop的配置文件保存到广播变量里；
  • 设置路径的方法；
  • new了一个HadoopRDD,并返回。
  def hadoopFile[K, V](path: String,inputFormatClass: Class[_ <: InputFormat[K, V]],keyClass: Class[K],valueClass: Class[V],minPartitions: Int = defaultMinPartitions): RDD[(K, V)] = withScope {
    assertNotStopped()
    // A Hadoop configuration can be about 10 KB, which is pretty big, so broadcast it.
    val confBroadcast = broadcast(new SerializableConfiguration(hadoopConfiguration))
    val setInputPathsFunc = (jobConf: JobConf) => FileInputFormat.setInputPaths(jobConf, path)
    new HadoopRDD(this, confBroadcast,Some(setInputPathsFunc),inputFormatClass,keyClass,=valueClass,minPartitions).setName(path)
  }

我们看一下它的输入参数。如果你写过MR程序，是不是特别熟悉？是不是和Mapper的API和接近？

Mapper<Object, Text, Text, IntWritable>

2. 源码分析：HadoopRDD类

下面专门来看一下HadoopRDD是干什么的。

An RDD that provides core functionality for reading data stored in Hadoop (e.g., files in HDFS, sources in HBase, or S3)

看注释可以知道，HadoopRDD是一个专为Hadoop（HDFS、Hbase、S3）设计的RDD。

HadoopRDD主要重写了三个方法，可以在源码中找到加override标识的方法：

  • override def getPartitions: Array[Partition]
  • override def compute(theSplit: Partition, context: TaskContext): InterruptibleIterator[(K, V)]
  • override def getPreferredLocations(split: Partition): Seq[String]

下面分别看一下这三个方法。

getPartitions方法最后是返回了一个array。它调用的是inputFormat自带的getSplits方法来计算分片，然后把分片信息放到array中。

这里，我们是不是就可以理解，Hadoop中的一个分片，就对应到Spark中的一个Partition。

  override def getPartitions: Array[Partition] = {
    val jobConf = getJobConf()
    // add the credentials here as this can be called before SparkContext initialized
    SparkHadoopUtil.get.addCredentials(jobConf)
    val inputFormat = getInputFormat(jobConf)
    val inputSplits = inputFormat.getSplits(jobConf, minPartitions)
    val array = new Array[Partition](inputSplits.size)
    for (i <- 0 until inputSplits.size) {
      array(i) = new HadoopPartition(id, i, inputSplits(i))
    }
    array
  }

compute方法的作用主要就是根据输入的partition信息生成一个InterruptibleIterator。如下面代码段。

override def compute(theSplit: Partition, context: TaskContext): InterruptibleIterator[(K, V)] = {
    val iter = new NextIterator[(K, V)] {......}
    new InterruptibleIterator[(K, V)](context, iter)
  }

下面看一下iter中做了什么逻辑处理。

  1. 把Partition转成HadoopPartition，然后通过InputSplit创建一个RecordReader
  2. 重写Iterator的getNext方法，通过创建的reader调用next方法读取下一个值。

从这里我们可以看得出来compute方法是通过分片来获得Iterator接口，以遍历分片的数据。

override def compute(theSplit: Partition, context: TaskContext): InterruptibleIterator[(K, V)] = {

 val iter = new NextIterator[(K, V)] {

      //将compute的输入theSplit，转换为HadoopPartition
      val split = theSplit.asInstanceOf[HadoopPartition]
      ......
      //c重写getNext方法
      override def getNext(): (K, V) = {
        try {
          finished = !reader.next(key, value)
        } catch {
          case _: EOFException if ignoreCorruptFiles => finished = true
        }
        if (!finished) {
          inputMetrics.incRecordsRead(1)
        }
        (key, value)
      }
     }
}

getPreferredLocations方法比较简单，直接调用SplitInfoReflections下的inputSplitWithLocationInfo方法获得所在的位置。

  override def getPreferredLocations(split: Partition): Seq[String] = {
    val hsplit = split.asInstanceOf[HadoopPartition].inputSplit.value
    val locs: Option[Seq[String]] = HadoopRDD.SPLIT_INFO_REFLECTIONS match {
      case Some(c) =>
        try {
          val lsplit = c.inputSplitWithLocationInfo.cast(hsplit)
          val infos = c.getLocationInfo.invoke(lsplit).asInstanceOf[Array[AnyRef]]
          Some(HadoopRDD.convertSplitLocationInfo(infos))
        } catch {
          case e: Exception =>
            logDebug("Failed to use InputSplitWithLocations.", e)
            None
        }
      case None => None
    }
    locs.getOrElse(hsplit.getLocations.filter(_ != "localhost"))
  }

3. 源码分析：MapPartitionsRDD类

先看一在RDD类中的map方法。

Return a new RDD by applying a function to all elements of this RDD.

它最后返回的是一个MapPartitionsRDD。并且对RDD中的每一个元素都调用了一个function。

  /**
   *
   */
  def map[U: ClassTag](f: T => U): RDD[U] = withScope {
    val cleanF = sc.clean(f)
    new MapPartitionsRDD[U, T](this, (context, pid, iter) => iter.map(cleanF))
  }

那么MapPartitionsRDD是干什么的呢。

An RDD that applies the provided function to every partition of the parent RDD.

可以看到，它重写了父类RDD的partitioner、getPartitions和compute。

private[spark] class MapPartitionsRDD[U: ClassTag, T: ClassTag](
    var prev: RDD[T],
    f: (TaskContext, Int, Iterator[T]) => Iterator[U],  // (TaskContext, partition index, iterator)
    preservesPartitioning: Boolean = false)
  extends RDD[U](prev) {
  override val partitioner = if (preservesPartitioning) firstParent[T].partitioner else None
  override def getPartitions: Array[Partition] = firstParent[T].partitions
  override def compute(split: Partition, context: TaskContext): Iterator[U] =
    f(context, split.index, firstParent[T].iterator(split, context))
  override def clearDependencies() {
    super.clearDependencies()
    prev = null
  }
}

可以看出在MapPartitionsRDD里面都用到一个firstParent函数。仔细看一下，可以发现，在MapPartitionsRDD其实没有重写partition和compute逻辑，只是从firstParent中取了出来。

那么firstParent是干什么的呢？其实是取到父依赖。

  /** Returns the first parent RDD */
  protected[spark] def firstParent[U: ClassTag]: RDD[U] = {
    dependencies.head.rdd.asInstanceOf[RDD[U]]
  }

注意： 不要忽略细节。不然不太容易理解。

现在再看一下MapPartitionsRDD继承的RDD，它继承的是RDD[U](prev)。 这里的prev其实指的就是我们的HadoopRDD，也也就是说HadoopRDD变成了这个MapPartitionsRDD的OneToOneDependency依赖。OneToOneDependency是窄依赖。

def this(@transient oneParent: RDD[_]) =
    this(oneParent.context , List(new OneToOneDependency(oneParent)))

总结： 至此，我们阅读了第一行代码背后涉及的源码。val textFile = sc.textFile("hdfs://...")，我们继续进行。不要急，后面会快很多。

4. 源码分析：flatMap方法、filter方法

接下面看一下flatMap、filter和map操作，观察一下下面的代码，其实他们都是返回了MapPartitionsRDD对象，不同的仅仅是传入的function不同而已。

经过前面的分析我们也可以知道，这些都是窄依赖。

  /**
   *  Return a new RDD by first applying a function to all elements of this
   *  RDD, and then flattening the results.
   */
  def flatMap[U: ClassTag](f: T => TraversableOnce[U]): RDD[U] = withScope {
    val cleanF = sc.clean(f)
    new MapPartitionsRDD[U, T](this, (context, pid, iter) => iter.flatMap(cleanF))
  }

 /**
   * Return a new RDD containing only the elements that satisfy a predicate.
   */
  def filter(f: T => Boolean): RDD[T] = withScope {
    val cleanF = sc.clean(f)
    new MapPartitionsRDD[T, T](
      this,
      (context, pid, iter) => iter.filter(cleanF),
      preservesPartitioning = true)
  }

注意： 这里，我们可以明白了MapPartitionsRDD的compute方法的作用了：

  1. 在没有依赖的条件下，根据分片的信息生成遍历数据的Iterable接口
  2. 在有前置依赖的条件下，在父RDD的Iterable接口上给遍历每个元素的时候再套上一个方法

5. 源码分析：PairRDDFunctions 类

接下来，该reduceByKey操作了。它在PairRDDFunctions里面。

reduceByKey稍微复杂一点，因为这里有一个同相同key的内容聚合的一个过程，它调用的是combineByKey方法。

/**
   * Merge the values for each key using an associative reduce function. This will also perform
   * the merging locally on each mapper before sending results to a reducer, similarly to a
   * "combiner" in MapReduce.
   */
  def reduceByKey(partitioner: Partitioner, func: (V, V) => V): RDD[(K, V)] = self.withScope {
    combineByKeyWithClassTag[V]((v: V) => v, func, func, partitioner)
  }

下面详细看一下combineByKeyWithClassTag。英文的注释写的挺清晰的，不再做讲解了。只提一点，这个操作，最后会new一个ShuffledRDD，然后调用它的一些方法，下面专门分析一下这个步骤。

Generic function to combine the elements for each key using a custom set of aggregation functions. Turns an RDD[(K, V)] into a result of type RDD[(K, C)], for a "combined type" C (Int, Int) into an RDD of type (Int, Seq[Int]). Users provide three functions:

  • createCombiner, which turns a V into a C (e.g., creates a one-element list)
  • mergeValue, to merge a V into a C (e.g., adds it to the end of a list)
  • mergeCombiners, to combine two C's into a single one.

In addition, users can control the partitioning of the output RDD, and whether to perform map-side aggregation (if a mapper can produce multiple items with the same key).

def combineByKeyWithClassTag[C]( createCombiner: V => C,mergeValue: (C, V) => C,mergeCombiners: (C, C) => C,partitioner: Partitioner,mapSideCombine: Boolean = true,serializer: Serializer = null)(implicit ct: ClassTag[C]): RDD[(K, C)] = self.withScope {
    require(mergeCombiners != null, "mergeCombiners must be defined") // required as of Spark 0.9.0
    // 判断keyclass是不是array类型，如果是array并且在两种情况下throw exception。
    if (keyClass.isArray) {
      if (mapSideCombine) {
        throw new SparkException("Cannot use map-side combining with array keys.")
      }
      if (partitioner.isInstanceOf[HashPartitioner]) {
        throw new SparkException("Default partitioner cannot partition array keys.")
      }
    }
    val aggregator = new Aggregator[K, V, C](
      self.context.clean(createCombiner),
      self.context.clean(mergeValue),
      self.context.clean(mergeCombiners))
    //虽然不太明白，但是此处基本上一直是false，感兴趣的看后面的参考文章
    if (self.partitioner == Some(partitioner)) {
      self.mapPartitions(iter => {
        val context = TaskContext.get()
        new InterruptibleIterator(context, aggregator.combineValuesByKey(iter, context))
      }, preservesPartitioning = true)
    } else {
      // 默认是走的这个方法
      new ShuffledRDD[K, V, C](self, partitioner)
        .setSerializer(serializer)
        .setAggregator(aggregator)
        .setMapSideCombine(mapSideCombine)
    }
  }

6. 源码分析：ShuffledRDD 类

看一下上一段代码最后做了什么？这里传入了partitioner，并分别set了三个值。

new ShuffledRDD[K, V, C](self, partitioner)
        .setSerializer(serializer)
        .setAggregator(aggregator)
        .setMapSideCombine(mapSideCombine)

shuffle的过程有点复杂，先不深入讲解，后面专门来分析。这里先看一下依赖的关系ShuffleDependency，它是一个宽依赖。

  override def getDependencies: Seq[Dependency[_]] = {
    List(new ShuffleDependency(prev, part, serializer, keyOrdering, aggregator, mapSideCombine))
  }

总结： 至此，我们大致理了一遍RDD的转换过程，其实到现在为止还都是RDD的变换，还没有真正的执行，真正的执行会在最后一句的地方出发。

----------------------------------------------------------------------------------------------------------------

转载出处：https://www.jianshu.com/p/f5b50e233acc

 

作者：dantezhao |简书 | CSDN | GITHUB

个人主页：http://dantezhao.com
文章可以转载, 但必须以超链接形式标明文章原始出处和作者信息

相关标签： 数据技术

上一篇： Java的编码及乱码问题

下一篇： spark中reduceByKey、groupByKey、combineByKey的区别

推荐阅读