大数据：Spark Core 什么是RDD的Transformation和Actions以及Dependency?

Posted 2022-05-31 raintungli

1. Spark的RDD

RDD(Resilient Distributed Datasets),弹性分布式数据集，是对分布式数据集的一种抽象。 RDD所具备5个主要特性：

• 一组分区列表
• 计算每一个数据分片的函数
• RDD上的一组依赖
• 对于Key Value 对的RDD，会有一个Partitioner, 这是数据的分区器，控制数据分区策略和数量
• 一组Preferred Location信息（如HDFS 上的数据块地址）

上图是一个简单的CoGroupedRDD满足了RDD 5个特性

2. RDD的两种操作

2.1 Transformation

Transformation: 转换，从现有的数据集创建一个新的数据集，从一个RDD转换成另一个RDD，transformation的操作是延迟计算的，在Driver层就构建好RDD之间的关系，数据分区策略，但并不提交计算。 Transformations 按照数据类型纬度分为：Value数据类型和Key-Value的数据类型的Transformation

2.1.1 Value型Transformation

针对以Value为输入值的RDD，常见的Map, FlatMap....，而输出值并不一定是value，也有可能是Key,Value的数据类型 以输入分区和输出分区的数据关系类型

1. 输入分区和输出分区1对1 例如 map
2. 输入分区和输出分区多对1 例如 union
3. 输入分区和输出分区多对多 例如 groupBy
4. 输入分区包含输出分区 例如 filter

2.1.2 Key-Value型Transformation

针对Key,Value的输入类型，进行聚集，连接等操作 Spark 里处理Key,Value的输入类型有个专门的类来处理

class PairRDDFunctions[K, V](self: RDD[(K, V)])
    (implicit kt: ClassTag[K], vt: ClassTag[V], ord: Ordering[K] = null)
  extends Logging with Serializable 

2.1.2.1 RDD 转 PairRDDFunctions

会不会很奇怪，并没有继承RDD，也就是说严格意义上来说，K-V的算子并不是RDD，先看看一个例子：

line.flatMap(_.split(" "))
                         .map((_, 2))
                             .reduceByKey(_+_).collect().foreach(println)

reduceByKey是一个Key-Value的算子 

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))
  

在rdd.scala中map函数中，返回的类型是MapPartitionsRDD，并不是PairRDDFunctions，如何转换的？ 在scala语言里有个语法叫做“ scala implicit method”，在隐式转化里我们看到了定义

  implicit def rddToPairRDDFunctions[K, V](rdd: RDD[(K, V)])
    (implicit kt: ClassTag[K], vt: ClassTag[V], ord: Ordering[K] = null): PairRDDFunctions[K, V] = 
    new PairRDDFunctions(rdd)
  

将rdd自动转为PairRDDFunctions，最后调用了算子reduceByKey

2.1.2.1 PairRDDFunctions 转 RDD

Spark的核心抽象RDD是各个组件交互的核心，也是API里的主要接口，显然不能使用对象PairRDDFunctions作为RDD之间的交互。 PairRDDFunctions的初始化的时候会带入一个RDD，这是父类的RDD

@Experimental
  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
    if (keyClass.isArray) 
      if (mapSideCombine) 
        throw new SparkException("Cannot use map-side combining with array keys.")
      
      if (partitioner.isInstanceOf[HashPartitioner]) 
        throw new SparkException("HashPartitioner cannot partition array keys.")
      
    
    val aggregator = new Aggregator[K, V, C](
      self.context.clean(createCombiner),
      self.context.clean(mergeValue),
      self.context.clean(mergeCombiners))
    if (self.partitioner == Some(partitioner)) 
      self.mapPartitions(iter => 
        val context = TaskContext.get()
        new InterruptibleIterator(context, aggregator.combineValuesByKey(iter, context))
      , preservesPartitioning = true)
     else 
      new ShuffledRDD[K, V, C](self, partitioner)
        .setSerializer(serializer)
        .setAggregator(aggregator)
        .setMapSideCombine(mapSideCombine)
    
  

当调用K-V算子的时候，可以单独指定分区器，否则算子会自己构建一个HashPartitioner的分区器而分区策略依赖输入的分片块， 通过判断数据的分区器是否和父RDD的一致，构建ShuffledRDD，MapPartitionsRDD

2.2 Action

 在前面谈到Transformation都是延迟计算的，原因也很简单，所有的计算都需要最后的结果展现，如果我不想获取结果，用于计算、保存，那么计算就没有意义了，也就不需要计算了，所以用于最后需要计算的前提是需要有Action，结果展现。 比较常见的：

• 无输出 foreach
• 输出到文件或者HDFS
• Scala的集合等数据类型 collect, count

在Action中，比如collect

  def collect(): Array[T] = withScope 
    val results = sc.runJob(this, (iter: Iterator[T]) => iter.toArray)
    Array.concat(results: _*)
  

调用SparkContext进行运行Job

  def runJob[T, U: ClassTag](
      rdd: RDD[T],
      func: (TaskContext, Iterator[T]) => U,
      partitions: Seq[Int],
      resultHandler: (Int, U) => Unit): Unit = 
    if (stopped.get()) 
      throw new IllegalStateException("SparkContext has been shutdown")
    
    val callSite = getCallSite
    val cleanedFunc = clean(func)
    logInfo("Starting job: " + callSite.shortForm)
    if (conf.getBoolean("spark.logLineage", false)) 
      logInfo("RDD's recursive dependencies:\\n" + rdd.toDebugString)
    
    dagScheduler.runJob(rdd, cleanedFunc, partitions, callSite, resultHandler, localProperties.get)
    progressBar.foreach(_.finishAll())
    rdd.doCheckpoint()
  

SparkContext运行Job，最终就是调用了DAG 进行job的调度，关于 DAG的具体会在后面一篇讲到

3. RDD的依赖关系

protected def getDependencies: Seq[Dependency[_]] = deps

RDD可以通过getDependencies获取到依赖的数组

@DeveloperApi
abstract class Dependency[T] extends Serializable 
  def rdd: RDD[T]

对Dependency来说会保存Parent 的RDD, 可以通过RDD的Dependency来获取双亲的RDD，这样就能溯源
依赖上整体分为Narrow 和Shuffle 两类，也有人叫窄依赖，宽依赖
NarrowDependency 分为三类

1. 1对1  OneToOneDependency:  常见MapRDD
2. 多对1 RangDependency: UnionRDD
3. 1 对部分 PruneDependency: 裁剪

ShuffleDependency 多对多，对应的是ShuffleRDD
只有Transformation的RDD之间才会有Dependency，而对Action来说是并不存在Dependency
整个RDD的分析，构建依赖，数据分片，最后通过Action提交到DAG调度，都是在Driver的主线程完成，这时候并没有构建好Job。