Spark核心——RDD

Spark中最核心的概念为 RDD（Resilient Distributed DataSets） 中文为： 弹性分布式数据集 ，RDD为对分布式内存对象的抽象它表示一个 被分区不可变 且能 并行操作 的数据集；RDD为可序列化的、可缓存到内存对RDD进行操作过后还可以存到内存中，下次操作直接把内存中RDD作为输入，避免了Hadoop MapReduce的大IO操作；

RDD生成

Spark所要处理的任何数据都是存储在RDD之中，目前两种方式可以生成一个RDD：

1、从RDD进行转换操作

2、使用外部存储系统创建，如：HDFS；

RDD操作

RDD支持两种操作：

转换（transformation operation）

转换操作将一个RDD经过操作后返回一个全新的RDD，转换操是lazy（惰性）的这期间不会产生任何数据的计算；

转换函数有：distinct、filter、map、flatMap、union、groupByKey等；

行动（action operation）

每一个行动操作都会触发Spark Job进行计算并返回最终的结果， 行动操作有这么几类： 返回标量，count返回元素的个数；返回Scala集合，task(n)返回0到n-1组成的集合；写入外部存储，saveAsHadoopFile(path)存储到HDFS；

行动函数有：count、top、task、saveAsHadoopFile等；

RDD为 不可变 的数据集，可以使用转换操作“修改”一个RDD，但这操作过后返回的是一个全新的RDD 原本RDD并没有改变；

RDD状态转换图

Lineage

Spark RDD只支持 粗粒度 的操作，对一个RDD的操作都会被作用于该RDD的所有数据；为了保证RDD的高可用性RDD通过使用 Lineage（血统）记录 了RDD演变流程（从其他RDD到当前RDD所做的操作）当RDD分区数据丢失时可以通过Lineage的信息重新计算与恢复分区数据，或进行RDD的重建；

RDD的依赖关系（dependencies）：

由于对RDD的操作都是粗粒度的一个转换操作过后都会产生一个新的RDD，RDD之间会形成一个前后依赖关系；Spark中存在两种依赖：窄依赖（Narrow Dependencies）、宽依赖（Wide Dependencies）；

窄依赖（Narrow Dependencies）：一个父RDD的分区只能被一个子RDD的一个分区使用；

宽依赖（Wide Dependencies）：多个子RDD的分区依赖于一个父RDD的同一个分区；

窄依赖的节点（RDD）关系如果流水一般，所以当节点失败后只需重新计算父节点的分区即可，宽依赖需要重新计算父节点的多个分区代价是非常昂贵的；

窄依赖Narrow