学会RDD就学会了Spark，Spark数据结构RDD快速入门

Posted 2022-08-04 Java鱼仔

（一）概述

Spark计算框架封装了三种主要的数据结构：RDD（弹性分布式数据集）、累加器（分布式共享只写变量）、广播变量（分布式共享支只读变量）

（二）RDD

RDD：弹性分布式数据集是Spark中十分重要的一种数据结构，RDD 是可以并行操作的元素的集合。RDD具有几大属性：

1. RDD是由一系列partition组成
2. 函数是作用在每个partition(split)上的
3. RDD之间有一系列的依赖关系
4. RDD提供了一系列最佳的计算位置

RDD的运行过程可以通过下面这张表来表示，当Spark从数据源读取数据之后，会在RDD中组成多个partition，这些partition可以并行进行操作计算。

（三）RDD的使用

RDD的创建主要有两种方式，第一种是通过spark提供的parallelize方法来创建：

List<Integer> data = Arrays.asList(1, 2, 3, 4, 5);
JavaRDD<Integer> distData = sc.parallelize(data);

第二种方法是通过外部数据源直接生成：

JavaRDD<String> lines = sc.textFile("data/*");

接下来以scala和Java的案例分别介绍一下RDD的使用，案例依旧是最开始的WordCount例子。

首先是Java版本：

public class JavaWordCount 
    public static void main(String[] args) 
        SparkConf conf = new SparkConf().setAppName("wordCount").setMaster("local");
        JavaSparkContext sc = new JavaSparkContext(conf);
        //读取文件转成RDD
        JavaRDD<String> lines = sc.textFile("data/*");
        //将每一行的单词根据空格拆分
        JavaRDD<String> words = lines.flatMap((FlatMapFunction<String, String>) s -> Arrays.asList(s.split(" ")).iterator());
        //将Hello转化为（Hello,1）这种格式
        JavaPairRDD<String, Integer> wordToOne = words.mapToPair((PairFunction<String, String, Integer>) s -> new Tuple2<String,Integer>(s,1));
        //根据key进行统计
        JavaPairRDD<String, Integer> wordToCount = wordToOne.reduceByKey((x, y) -> x + y);
        //输出结果
        wordToCount.foreach((VoidFunction<Tuple2<String, Integer>>) stringIntegerTuple2 -> System.out.println(stringIntegerTuple2._1+stringIntegerTuple2._2));
        sc.close();
    

接下来是scala版本：

object WordCount 
  def main(args: Array[String]): Unit = 
    val sparkConf = new SparkConf().setMaster("local").setAppName("WordCount");
    val sparkContext = new SparkContext(sparkConf);
    val lines: RDD[String] = sparkContext.textFile(path = "data/*");
    val words: RDD[String] = lines.flatMap(_.split(" "))
    val wordToOne: RDD[(String, Int)] = words.map(word => (word, 1))
    val wordToCount = wordToOne.reduceByKey((x, y) => x + y).foreach(println)
    sparkContext.stop();
  

其实从这里也能看出来，scala版本会比Java版本看起来更加简洁。
通过上面两段代码可以看出Spark的基本代码流程：

1. 创建SparkConf对象。
2. 创建SparkContext对象。
3. 基于SparkContext对象创建RDD，对RDD进行处理。
4. 触发Transformation类算子执行。
5. 关闭Spark上下文对象。

（四）算子

算子从功能上可以分为Transformations转换算子和Action行动算子。转换算子用来做数据的转换操作，比如map、flatMap、reduceByKey等都是转换算子，这类算子通过懒加载执行。行动算子的作用是触发执行，比如foreach、collect、count等都是行动算子，只有程序运行到行动算子时，转换算子才会去执行。

一个应用程序中有几个Action行动算子执行，就会有几个Job运行。

4.1 常见的转换算子

filter：过滤记录，true保留，false过滤。

map：将一个RDD中的每个数据项，通过函数映射为一个新的元素。特点：输入一条输出一条。

flatMap：在map执行过后执行flat，和map类似，但是一个输入项可以对应0到多个输出项。

sample：随机抽样算子，根据传进去的小数按照比例进行有放回或者无放回的抽样。

reduceByKey：将相同的Key按照逻辑处理。

sortByKey：作用在Key-Value格式的RDD上，对Key进行升序或者降序排序。

4.2 常见的行动算子

count：返回数据集中的元素数量。会在结果计算完成后回收到Driver端。

take(n)：返回包含数据集前n个元素的集合。

first：返回数据集中的第一个元素。

foreach：循环遍历数据集中的每个元素，运行相应的逻辑。

collect：将计算结果回收到Driver端。

（五）RDD的持久化

将RDD持久化的算子主要有三种：cache、persist、checkpoint。其中cache和persist都是懒加载，当有一个action算子触发时才会执行，而checkpoint算子不仅能将RDD持久化到磁盘，还能切断RDD之间的依赖关系。

持久化寸的是RDD中的partition，如果没有使用持久化，一个RDD执行了Action算子后再次执行就需要重新拿数据，使用持久化可以节省代码运行时间。

5.1 cache

cache默认是将RDD的数据持久化到内存中，cache的使用很简单，只需要在RDD之后执行一次即可：

val lines: RDD[String] = sparkContext.textFile(path = "data/*");
lines.cache();

cache在源码中的实现等于persist

因此cache和persist的关系可以表示为：

cache()=persist()=persist(StorageLevel.MEMORY_ONLY)

5.2 persist

persist可以指定持久化的级别，其中MEMORY_ONLY和MEMORY_AND_DISK是最常用的两种持久化方式。

使用方式和cache一样：

val lines: RDD[String] = sparkContext.textFile(path = "data/*");
lines.persist();

cache和persist的注意事项：

1. cache和persist都是懒执行，必须要有一个action类算子触发执行。
2. cache和persist的返回值可以赋值给一个变量，在其他job中使用这个变量就是使用持久化的数据。

5.3 checkpoint

checkpoint会将RDD持久化到磁盘，还可以切断RDD之间的依赖关系。

checkpoint的使用也比较简单，首先在SparkContext中设置checkpoint在磁盘中保存的位置，接着执行RDD.checkpoint()

val sparkConf = new SparkConf().setMaster("local").setAppName("WordCount");
val sparkContext = new SparkContext(sparkConf);
sparkContext.setCheckpointDir("./checkpoint")
val lines: RDD[String] = sparkContext.textFile(path = "data/*");
lines.checkpoint();

checkpoint的执行原理：

1. 从finalRDD往前找，当找到某一个RDD调用了checkpoint方法，给这个RDD打上一个标签。
2. 启动一个新的job，重新计算这个RDD的数据，最后将数据持久化。
   使用技巧：
   在使用checkpoint时先对RDD执行cache，这样新启动的job只需要将内存中的数据持久化就可以，节省一次计算的时间。

（六）Spark中的广播变量

当Spark的转换算子在工作时，在函数方法中使用到的所有外部变量都是一个独立的副本，这些变量会随着任务的执行被复制到每台机器上面。但是Spark提供了两种共享变量的类型，分别是广播变量和累加器。

广播变量允许程序员在每台机器上缓存一个只读变量，而不是随任务一起发送它的副本。例如，它们可用于以有效的方式为每个节点提供大型输入数据集的副本。广播变量通过 SparkContext.broadcast(v) 方法创建，通过调用value方法获取具体的值。

public class TestBroadcast 
    public static void main(String[] args) 
        SparkConf conf = new SparkConf().setAppName("wordCount").setMaster("local");
        JavaSparkContext sc = new JavaSparkContext(conf);
        Broadcast<int[]> broadcastVar = sc.broadcast(new int[] 1, 2, 3);
        broadcastVar.value();
    

要释放广播变量复制到执行程序的资源，需要调用unpersist()方法，要永久释放广播变量使用的所有资源，需要调用destroy()方法。

broadcastVar.unpersist();
broadcastVar.destroy();

.

（七）Spark中的累加器

累加器也是共享变量中的一种，Spark的计算会被分配到各个工作节点中，因此如果用普通的i++的方式无法获取到预期的累加效果，Spark提供了累加器数据模型，实现数据类加：

public class TestAdd 
    public static void main(String[] args) 
        SparkConf conf = new SparkConf().setAppName("wordCount").setMaster("local");
        JavaSparkContext sc = new JavaSparkContext(conf);
        List<Integer> data = Arrays.asList(1, 2, 3, 4, 5);
        JavaRDD<Integer> rdd = sc.parallelize(data);
        LongAccumulator accum = sc.sc().longAccumulator();
        rdd.foreach(x -> accum.add(1));
        System.out.println(accum.value());
    

（八）总结

Spark的核心在于RDD，理解了RDD就相当于对Spark编程彻底入门了，我是鱼仔，我们下期再见。