spark工作原理

Posted 2021-02-20 xiaofeiyang

1、分布式

2、基于内存

3、迭代式计算

每一批节点上的每一批数据就是一个RDD

 

 RDD是spark的核心抽象

1、RDD是Spark提供的核心抽象，全称为Resillient Distributed Dataset，即弹性分布式数据集。
2、RDD在抽象上来说是一种元素集合，包含了数据。它是被分区的，分为多个分区，每个分区分布在集群中的不同节点上，从而让RDD中的数据可以被并行操作。（分布式数据集）
3、RDD通常通过Hadoop上的文件，即HDFS文件或者Hive表，来进行创建；有时也可以通过应用程序中的集合来创建。
4、RDD最重要的特性就是，提供了容错性，可以自动从节点失败中恢复过来。即如果某个节点上的RDD partition，因为节点故障，导致数据丢了，那么RDD会自动通过自己的数据来源重新计算该partition。这一切对使用者是透明的。
5、RDD的数据默认情况下存放在内存中的，但是在内存资源不足时，Spark会自动将RDD数据写入磁盘。（弹性）

 

 

 

 什么是spark开发

1、离线批处理/延迟交互式数据处理

2、SQL查询

3、实时计算

核心编程就是

第一定义RDD从哪里来，读取文件，hdfs，linux本地文件，程序中的集合

第二定义RDD的计算操作，在spark中称为算子，map，reduce，flatmap，groupbykey，比mapreduce中的map和reduce强大太多

第三循环往复，第一次计算完成就会到新的节点上，变成新的RDD,定义新的算子

第四获取最终数据，将数据保存起来