# 弹性式数据集RDDs
## 一、RDD简介
RDD，全称为 Resilient Distributed Datasets，是Spark最基本的数据抽象，它是只读的、分区记录的集合，支持并行操作。RDD可以由外部数据集或其他RDD转换而来。其具备高度的容错性，允许开发人员在大型集群上执行基于内存的并行计算。它具有以下特性：
+ 一个RDD由一个或者多个分区（Partitions）组成。对于RDD来说，每个分区会被一个计算任务所处理，用户可以在创建RDD时指定其分区个数，如果没有指定，则采用程序所分配到的CPU的核心数；
+ RDD拥有一个用于计算分区的函数compute；
+ RDD会保存彼此间的依赖关系，RDD的每次转换都会生成一个新的依赖关系，这种RDD之间的依赖关系就像流水线一样。在部分分区数据丢失后，可以通过这种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；
+ Key-Value型的RDD还拥有Partitioner(分区器)，用于决定数据被存储在哪个分区中，目前Spark中支持HashPartitioner(按照哈希分区)和RangeParationer(按照范围进行分区)；
+ 一个优先位置列表(可选)，用于存储每个分区的优先位置(prefered location)。对于一个HDFS文件来说，这个列表保存的就是每个分区所在的块的位置，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，会尽可能的将计算任务分配到其所要处理数据块的存储位置。
RDD[T]抽象类的部分相关代码如下：
```scala
// 由子类实现以计算给定分区
def compute(split: Partition, context: TaskContext): Iterator[T]
// 获取所有分区
protected def getPartitions: Array[Partition]
// 获取所有依赖关系
protected def getDependencies: Seq[Dependency[_]] = deps
// 获取优先位置列表
protected def getPreferredLocations(split: Partition): Seq[String] = Nil
// 分区器 由子类重写以指定它们的分区方式
@transient val partitioner: Option[Partitioner] = None
```
## 二、创建RDD
RDD有两种创建方式，分别介绍如下：
### 2.1 由现有集合创建
这里使用`spark-shell`的本地模式作为测试，指定使用4个CPU 核心，启动命令如下：
```shell
spark-shell --master local[4]
```
启动`spark-shell`后，程序会自动创建应用上下文，相当于程序自动执行了下面的语句：
```scala
val conf = new SparkConf().setAppName("Spark shell").setMaster("local[4]")
val sc = new SparkContext(conf)
```
由现有集合创建RDD，你可以在创建时指定其分区个数，如果没有指定，则采用程序所分配到的CPU的核心数：
```scala
val data = Array(1, 2, 3, 4, 5)
// 由现有集合创建RDD,默认分区数为程序所分配到的CPU的核心数
val dataRDD = sc.parallelize(data)
// 查看分区数
dataRDD.getNumPartitions
// 明确指定分区数
val dataRDD = sc.parallelize(data,2)
```
执行结果如下：
### 2.2 引用外部存储系统中的数据集
引用外部存储系统中的数据集，例如共享文件系统，HDFS，HBase或支持Hadoop InputFormat的任何数据源。
```scala
val fileRDD = sc.textFile("/usr/file/emp.txt")
// 获取第一行文本
fileRDD.take(1)
```
使用外部存储系统有以下三点需要注意：
+ 支持本地文件系统，也支持HDFS，s3a等文件系统；
+ 如果Spark是以集群的方式运行，且需要从本地文件系统读取数据，则该文件必须在所有节点机器上都存在，且路径相同；
+ 文件格式支持目录，压缩文件，文件路径支持通配符。
### 2.3 textFile & wholeTextFiles
两者都可以用来读取外部文件，但是返回格式是不同的：
+ textFile：其返回格式是RDD[String] ，返回的是就是文件内容，RDD中每一个元素对应一行数据；
+ wholeTextFiles：其返回格式是RDD[(String, String)]，元组中第一个参数是文件路径，第二个参数是文件内容；
+ 两者都提供第二个参数来控制最小分区数；
+ 默认情况下，Spark为文件的每个块创建一个分区（HDFS中默认为128MB）。
```scala
def textFile(path: String,minPartitions: Int = defaultMinPartitions): RDD[String] = withScope {...}
def wholeTextFiles(path: String,minPartitions: Int = defaultMinPartitions): RDD[(String, String)]={..}
```
## 三、操作RDD
RDD支持两种类型的操作：*transformations*（转换，从现有数据集创建新数据集）和*actions*（在数据集上运行计算后将值返回到驱动程序）。RDD中的所有转换操作都是惰性的，它们只是记住这些转换操作，但不会立即执行，只有遇到action操作后才会真正的进行计算，这类似于函数式编程中的惰性求值。
```scala
val list = List(1, 2, 3)
// map 是一个transformations操作，而foreach是一个actions操作
sc.parallelize(list).map(_ * 10).foreach(println)
// 输出： 10 20 30
```
## 四、缓存RDD
### 4.1 缓存级别
Spark速度非常快的一个原因是RDD支持缓存。当缓存一个RDD到内存中后，如果之后的操作使用到了该数据集，则从缓存获取。虽然缓存也有丢失的风险，但是由于RDD之间的依赖关系，如果某个分区的缓存数据丢失，只需要重新计算该分区即可。
Spark支持多种缓存级别，见下表：
| Storage Level（存储级别） | Meaning（含义） |
| ----------------------------------------------- | ------------------------------------------------------------ |
| MEMORY_ONLY | 默认的缓存级别，将 RDD以反序列化的Java对象的形式存储在 JVM 中。如果内存空间不够，则部分分区数据将不再缓存。 |
| MEMORY_AND_DISK | 将 RDD 以反序列化的Java对象的形式存储JVM中。如果内存空间不够，将未缓存的分区数据存储到磁盘，在需要使用这些分区时从磁盘读取。 |
| MEMORY_ONLY_SER
(仅支持 Java and Scala) | 将 RDD 以序列化的Java对象的形式进行存储（每个分区为一个 byte 数组）。这种方式比反序列化对象节省存储空间，但在读取时会增加CPU的计算负担。 |
| MEMORY_AND_DISK_SER
(仅支持 Java and Scala) | 类似于MEMORY_ONLY_SER，但是溢出的分区数据会存储到磁盘，而不是在用到它们时重新计算。 |
| DISK_ONLY | 只在磁盘上缓存RDD |
| MEMORY_ONLY_2,
MEMORY_AND_DISK_2, etc | 与上面的对应级别功能相同，但是会为每个分区在集群中两个节点上建立副本。 |
| OFF_HEAP | 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。 |
> 启动堆外内存需要配置两个参数：
>
> + spark.memory.offHeap.enabled ：是否开启堆外内存，默认值为false,需要设置为true;
> + spark.memory.offHeap.size : 堆外内存空间的大小，默认值为0，需要设置为正值。
### 4.2 使用缓存
RDD上有两个可选的方法用于缓存数据：`persist`和`cache` ，cache内部调用的也是persist，其等价于`persist(StorageLevel.MEMORY_ONLY)`。
```scala
// 所有存储级别均定义在StorageLevel对象中
fileRDD.persist(StorageLevel.MEMORY_AND_DISK)
fileRDD.cache()
```
### 4.3 移除缓存
Spark会自动监视每个节点上的缓存使用情况，并按照最近最少使用（LRU）的规则删除旧数据分区。当然，你也可以使用`RDD.unpersist()`方法进行手动删除。
## 五、理解shuffle
### 5.1 shuffle介绍
Spark中，一个任务对应一个分区，通常不会跨分区操作数据。但如果遇到reduceByKey等操作，Spark必须从所有分区读取数据，并查找所有键的所有值，然后汇总在一起以计算每个键的最终结果 ，这称为shuffle。
### 5.2 Shuffle的影响
Shuffle是一项昂贵的操作，因为它通常会跨节点操作数据，这必然会涉及磁盘I/O，网络I/O，和数据序列化。某些shuffle操作还会消耗大量的堆内存，因为它们使用内存中的数据结构来组织数据并传输。Shuffle还会在磁盘上生成大量中间文件，从Spark 1.3开始，这些文件将被保留，直到相应的RDD不再使用并进行垃圾回收，这样做是为了避免在计算时重复创建shuffle文件。如果应用程序长期保留对这些RDD的引用，则垃圾回收可能在很长一段时间后才会发生，这意味着长时间运行的Spark作业可能会占用大量磁盘空间，通常可以使用`spark.local.dir`参数指定这些文件临时存储目录。
### 5.3 导致Shuffle的操作
由于Shuffle操作对性能的影响比较大，所以需要特别注意使用，以下操作都会导致Shuffle：
+ 涉及到重新分区操作： 如`repartition` 和 `coalesce`;
+ 所有涉及到ByKey的操作（counting除外）：如`groupByKey`和`reduceByKey`;
+ 联结操作：如`cogroup`和`join`。
## 五、宽依赖和窄依赖
RDD和它的父RDD(s)之间的依赖关系分为两种不同的类型：
- 窄依赖(narrow dependency)：父RDDs的一个分区最多被子RDDs一个分区所依赖；
- 宽依赖(wide dependency)：父RDDs的一个分区可以被子RDDs的多个子分区所依赖。
如下图：每一个方框表示一个 RDD，带有颜色的矩形表示分区
区分这两种依赖是非常有用的：
+ 首先，窄依赖允许在一个集群节点上以流水线的方式（pipeline）对父分区数据进行计算。例如，先执行map操作、然后执行filter操作；而宽依赖则需要首先计算好所有父分区的数据，然后在节点之间进行Shuffle，这与MapReduce类似。
+ 窄依赖能够更有效地进行数据恢复，因为只需重新对丢失分区的父分区进行计算，且不同节点之间可以并行计算；而对于宽依赖而言，如果数据丢失，则需要对所有父分区数据进行计算并Shuffle。
## 六、DAG的生成
RDD(s)及其之间的依赖关系组成了DAG(有向无环图)，DAG定义了这些RDD(s)之间的Lineage(血统)关系，通过血统关系，如果一个RDD的部分或者全部计算结果丢失了，也可以重新进行计算。
那么Spark是如何根据DAG来生成计算任务呢？主要是根据依赖关系的不同将DAG划分为不同的计算阶段(Stage)：
+ 对于窄依赖，由于分区的依赖关系是确定的，其转换操作可以在同一个线程执行，所以可以划分到同一个执行阶段；
+ 对于宽依赖，由于Shuffle的存在，只能在父RDD(s)被Shuffle处理完成后，才能开始接下来的计算，因此遇到宽依赖就需要重新划分阶段。
## 参考资料
1. 张安站 . Spark技术内幕：深入解析Spark内核架构设计与实现原理[M] . 机械工业出版社 . 2015-09-01
2. [RDD Programming Guide](https://spark.apache.org/docs/latest/rdd-programming-guide.html#rdd-programming-guide)
3. [RDD：基于内存的集群计算容错抽象](http://shiyanjun.cn/archives/744.html)
