RDD的分区、依赖关系、机制

一时失言乱红尘 2024-04-08 09:24 61阅读 0赞

> **目录**
> 
> 一.RDD的分区
> 
> 二.RDD的依赖关系
> 
> 三.RDD机制
> 
> 1、使用persist（）方法对RDD进行持久化
> 
> 编辑
> 
> 2、使用cache（）方法对RDD进行持久化
> 
> 编辑
> 
> 三、容错机制
> 
> --------------------

### 一.RDD的分区 ###

RDD的分区原则是**分区的个数尽量**等于**集群中的CPU核心(Core)数目。**

**各种模式下的默认分区数目如下**

**(1) Local****模式:默认为本地机器的CPU数目,若设置了local\[N\].则默认为N.**

**(2) Standalone****或者Yarn模式:在“集群中所有CPU核数总和"和“2”这两者中取较大值作为默认值。**

**(3) Mesos** **模式:默认的分区数是8.**

**Spark****框架为RDD提供了两种分区方式，分别是哈希分区(HashPartitioner)和范围分区(RangePartitioner)。**

**Spark****也支持自定义分区方式，即通过一个自定义的Partitioner对象来控制RDD的分区，从而进一步减少通信开销。**

**如果想要实现自定义分区，就需要定义一个类,使得这个自定义的类继承org. apache. spark. Partitioner类,并实现其中的3个方法,具体如下：**

**(1) def numPartitions:Int:****用于返回创建的分区个数。**

**(2) def getPartition(Key:Any):****用于对输人的Key做处理,并返回该Key的分区ID, 分区ID的范围是0~ numPartitions 1.**

**(3) equals (other: Any):****用于Spark判断自定义的Partitioner 对象和其他的 Partitioner对象是否相同,从而判断两个RDD的分区方式是否相同。**

### 二.RDD的依赖关系 ###

**RDD****之间具有依赖的关系。**

**RDD****与它所依赖的RDD的依赖关系有两种类型，分别是**

**窄依赖（narrow dependency）****和宽依赖（wide dependency）**。

**窄依赖是指父RDD的每一个分区最多被一个子RDD的分区使用，即OneToOneDependencies。窄依赖的表现一般分为两类：第一类表现为一个父RDD的分区对应于一个子RDD的分区；第二类表现为多个父RDD的分区对应于一个子RDD的分区，也就是说，一个父RDD的一个分区不可能对应一个子RDD的多个分区。**

**当RDD执行map、filter、union、和join操作时，都会产生窄依赖。**

**宽依赖是指子RDD的每一个分区都会使用所有父RDD的所有分区或多个分区，即One ToManyDependecies。(当RDD进行groupByKey和join操作时，会产生宽依赖)**

**join****算子操作既可以属于窄依赖，也可以属于宽依赖。当join算子操作后，分区数量没有变化则为窄依赖(如join with inputs co partitioned,输人协同划分);当join算子操作后，分区数量发生变化则为宽依赖(如join with inputs not corpartitioned,输人非协同划分)。**

### 三.RDD机制 ###

**Spark****为RDD提供了两个重要的机制，分别是特久化机制(即缓存机制)和容错机制。**

**RDD****是采用惰性求值（即每次调用行动算子操作，都会从头开始计算）**

**RDD****的持久化操作有两种方法，分别是cache（）方法和persist（）方法。**

**①persist()方法的存储级别是通过StorageLevel对象(Scala Java、Python)设置的。**

**②cache()方法的存储级别是使用默认的存储级别(即StorageLevel. MEMORY ONLY(将反序列化的对象存人内存))。**

**持久化RDD的存储级别**

<table style="margin-left:-64.05pt;"> 
 <tbody> 
 <tr> 
 <td style="border-color:#000000;vertical-align:top;width:271.45pt;"> MEMORY_ ONLY </td> 
 <td style="border-color:#000000;vertical-align:top;width:295.6pt;"> 默认存储级别。将RDD作为反序列化的Java对象，缓存到JVM中,若内存放不下(内存已满情况)，则某些分区将不会被缓存,并且每次需要时都会重新计算 </td> 
 </tr> 
 <tr> 
 <td style="border-color:#000000;vertical-align:top;width:271.45pt;"> MEMORY_AND_DISK </td> 
 <td style="vertical-align:top;width:295.6pt;"> 将RDD作为反序列化的Java对象，缓存到JVM中，若内存放不下(内存已满情况)，则将剩余分区存储到磁盘上，并在需要时从磁盘读取 </td> 
 </tr> 
 <tr> 
 <td style="border-color:#000000;vertical-align:top;width:271.45pt;"> MEMORY_ONLY_SER </td> 
 <td style="vertical-align:top;width:295.6pt;"> 将RDD作为序列化的Java对象(每个分区序列化为一个字节数组)，比反序列化的Java对象节省空间,但读取时更占CPU </td> 
 </tr> 
 <tr> 
 <td style="border-color:#000000;vertical-align:top;width:271.45pt;"> MEMORY_AND_DISK_SER </td> 
 <td style="vertical-align:top;width:295.6pt;"> 与MEMORY ONLY SER类似，但是当内存放不下时则溢出到磁盘，而不是每次需要时重新计算它们 </td> 
 </tr> 
 <tr> 
 <td style="border-color:#000000;vertical-align:top;width:271.45pt;"> DISK_ONLY </td> 
 <td style="vertical-align:top;width:295.6pt;"> 仅将RDD分区全部存储到磁盘上 </td> 
 </tr> 
 <tr> 
 <td style="border-color:#000000;vertical-align:top;width:271.45pt;"> MEMORY_ONLY_2 MEMORY_AND_DISK_2 </td> 
 <td style="vertical-align:top;width:295.6pt;"> 与上面的级别相同。若加上后缀2,代表的是将每个持久化的数据都复制一份副本,并将副本保存到其他节点上 </td> 
 </tr> 
 <tr> 
 <td style="border-color:#000000;vertical-align:top;width:271.45pt;"> OFF_HEAP(实验性) </td> 
 <td style="vertical-align:top;width:295.6pt;"> 与MEMORY ONLY SER类似,但将数据存储在堆外内存中(这需要启用堆外内存) </td> 
 </tr> 
 </tbody> 
</table>

#### 1、使用persist（）方法对RDD进行持久化 ####

**定义一个列表list，通过该列表创建一个RDD，然后通过persist持久化操作和算子操作统计RDD中的元素个数以及打印输出RDD中所有的元素。**

**代码：**

import org.apache.spark.storage.StorageLevel
    
    val testlist = List("hadoop","Python","Spark","Java")
    
    val listRDD = sc.parallelize(testlist)
    
    listRDD.persist(StorageLevel.DISK_ONLY)
    
    println(listRDD.count())
    
    println(listRDD.collect().mkString(","))

#### ![ba3396ccaf5c4e24be7561077869a28c.png][] ####

#### 2、使用cache（）方法对RDD进行持久化 ####

**代码：**

val list = List("hadoop","Python","Spark","Java")
    
    val listRDD = sc.parallelize(list)
    
    listRDD.cache()
    
    println(listRDD.count())
    
    println(listRDD.collect().mkString(","))

#### ![61a6289805464cfa85ec67ed648b9bc4.png][] ####

#### 三、容错机制 ####

**RDD****提供了两种故障恢复的方式，分别是血统(lineage)方式和设置检查点(checkpoint)方式。**

**①血统方式，主要是根据RDD之间的依赖关系对丢失数据的RDD进行数据恢复。**

**②设置检查点方式,本质上是将RDD写人磁盘进行存储。**

[ba3396ccaf5c4e24be7561077869a28c.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/08/b6b332f7701d49bda46624f78f363527.png
[61a6289805464cfa85ec67ed648b9bc4.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/08/da78c5e733af4b2e9a61bf5d739999dd.png