4.1 深度解析Spark RDD

RDD是Spark抽象的基石，整个Spark的编程都是基于对RDD的操作完成的。

官方对RDD的解释是：弹性分布式数据集，全称为Resilient Distributed Datasets。RDD 只读、可分区，这个数据集的全部或部分可以缓存在内存中，在多次计算间重用。所谓弹性，是指在内存不够时可以与磁盘进行交换。这涉及了RDD的另一特性：内存计算，就是将数据保存到内存中。同时为了解决内存容量限制问题，Spark为我们提供了最大的自由度，所有数据均可由我们来进行cache的设置，包括是否cache和如何cache。

RDD有如下特征：

（1）有一个分片列表，就是能被切分，和Hadoop一样，能够切分的数据才能并行计算。

（2）由一个函数计算每一个分片，这里指的是下面会提到的compute函数。

（3）对其他RDD的依赖列表，依赖还具体分为宽依赖和窄依赖，但并不是所有的RDD都有依赖。

（4）可选：key-value型的RDD是根据哈希来分区的，类似于mapreduce当中的Paritioner接口，控制key分到哪个reduce。

（5）可选：每一个分片的优先计算位置（preferred locations），比如HDFS的block的所在位置应该是优先计算的位置。

基于RDD这个统一的抽象，使得Spark可以以基本一致的方式应对不同的大数据处理场景，包括MapReduce、Streaming、SQL、Machine Learning以及Graph等。正是RDD使得Spark具有了无可比拟的大数据处理平台的优势，如图4-1所示。

RDD是一个容错的、并行的数据结构，可以让用户显式地将数据存储到磁盘和内存中，并能控制数据的分区。同时，RDD还提供了一组丰富的操作来操作这些数据，如map、flatMap、filter等。除此之外，RDD还提供了诸如join、groupBy、reduceByKey等更为方便的操作，以支持常见的数据运算。

通常来讲，针对数据处理有几种常见模型，包括Iterative Algorithms、Relational Queries、MapReduce、Stream Processing。例如Hadoop MapReduce采用了MapReduces模型，Storm则采用了Stream Processing模型。RDD混合了这四种模型，使得Spark可以应用于各种大数据处理场景。

RDD作为数据结构，本质上是一个只读的分区记录集合。一个RDD可以包含多个分区，每个分区就是一个dataset片段。RDD可以相互依赖。如果RDD的每个分区最多只能被一个Child RDD的一个分区使用，则称之为narrow dependency；若多个Child RDD分区都可以依赖，则称之为shuffle(wide)dependency。不同的操作依据其特性，可能会产生不同的依赖。例如map操作会产生narrow dependency，而reduceByKey操作则产生shuffle(wide)dependency。

Spark之所以将依赖分为narrow与shuffle，基于两点原因：

首先，narrow dependencies可以支持在同一个cluster node上以pipeline形式执行多条命令，例如在执行了map后，紧接着执行filter。相反，shuffle dependencies需要所有的父分区都是可用的，可能还需要调用类似MapReduce之类的操作进行跨节点传递。

其次，则是从失败恢复的角度考虑。narrow dependencies的失败恢复更有效，因为它只需要重新计算丢失的parent partition即可，而且可以并行地在不同节点进行重计算。而shuffle dependencies牵涉RDD各级的多个Parent Partitions。图4-2说明了narrow dependencies与wide dependencies之间的区别。

在图4-2中，一个box代表一个RDD，一个带阴影的矩形框代表一个partition。

每个RDD的核心方法如下所示。

RDD主要分为两种，如图4-3所示。

下面初步分析一下RDD的四个核心方法，首先看一下getPartitions方法的源码：

getPartitions返回的是一系列partitions的集合，即一个Partition类型的数组。

getDependencies表达式RDD之间的依赖关系如下所示。

getDependencies返回的是依赖关系的一个Seq集合，里面的Dependency数组中的下画线是类型的PlaceHolder。

每个RDD都会具有计算的函数，如下所示。

Compute方法是针对RDD的每个Partition进行计算的，其TaskContext参数的源码如下：

getPreferredLocations是寻找Partition的首选位置：

其实RDD还有一个可选的分区策略：

Partitioner的源码如下：

可以看出默认使用的是HashPartitioner，要注意key为Array的情况； svnlwMzfPh1VoXASxKfmDOGJb0MqrI7g5RLq1UW87yG5JMjaIVV5uvOjnYHvB9yn