RDD: Resilient Distributed Dataset
RDD的特点:
1、A list of partitions
一系列的分片:比如说64M一片;类似于Hadoop中的split;
2、A function for computing each split
在每个分片上都有一个函数去迭代/执行/计算它
3、A list of dependencies on other RDDs
一系列的依赖:RDDa转换为RDDb,RDDb转换为RDDc,那么RDDc就依赖于RDDb,RDDb就依赖于RDDa
4、Optionally, a Partitioner for key-value RDDs (e.g. to say that the RDD is hash-partitioned)
对于key-value的RDD可指定一个partitioner,告诉它如何分片;常用的有hash,range
5、Optionally, a list of preferred location(s) to compute each split on (e.g. block locations for an HDFS file)
要运行的计算/执行最好在哪(几)个机器上运行。数据本地性。
为什么会有哪几个呢?
比如:hadoop默认有三个位置,或者spark cache到内存是可能通过StorageLevel设置了多个副本,所以一个partition可能返回多个最佳位置。
前三个特点对应于Lineage,后两个对应于Optimized execution
对于如上的5个特点,对应于RDD中的5个方法
getPartitions | the set of partitions in this RDD |
compute | compute a given partition |
getDependencies | return how this RDD depends on parent RDDs |
partitioner | specify how they are partitioned |
getPreferredLocations | specify placement preferences |
HadoopRDD | Filtered RDD | JoinedRDD | |
partitions | HDFS上的block | 与父RDD一致 | 一个partition一个任务 |
dependencies | 无 | 与父RDD 一对一 | 依赖shuffle的每个父RDD |
compute | 读取每个block的信息 | 计算父RDD的每个分区并过滤 | 读取shuffle数据 |
partitioner | HDFS block所在位置 | 无 | HashPartitioner |
preferredLocations | 无 | 无(与父RDD一致) | 无 |