spark创建RDD的方式有哪些

这篇文章主要介绍“spark创建RDD的方式有哪些”，在日常操作中，相信很多人在spark创建RDD的方式有哪些问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答”spark创建RDD的方式有哪些”的疑惑有所帮助！接下来，请跟着小编一起来学习吧！

##产生的技术环境

1. 避免在多种运算场景，多种集群部署

2. 集群计算数据，典型的思想mr,后来最重要的是hadoop,分布式集群，会把编程简化为位置感知、容错、负载均衡，在集群上操作超大数据，这种模式是数据流的方式；hdfs->计算->hdfs tez dag 基于数据流的dag虽然实现任务调度和故障恢复，但是每次操作读写磁盘，如果同样一次操作，如果第二次操作，完全会计算一次，比如图计算，机器学习，比如交互式查询

##解决问题的方式

1. 解决上述的问题是RDD

2. 检查点或者回滚机制vs共享内存模型

#创建RDD的三种方式

1. 通过已存在的scala集合

2. 通过hdfs、hbase等

3. 通过其他rdd的转换

#Spark RDD中Transformation的Lazy特性

textfile产生hadoopRDD和mappartitionRDD

#Spark RDD中Runtime流程解析

RDD是逻辑结构，数据本身是block manager

#Spark RDD中Transformation的算子详解
map:针对每个分区中的元素进行改变,分区个数不行 v1->v`1,map是根据stage中进行复合操作时执行的
flatmap:将各个分区中的数，进行转化，汇聚成一个分区
mapPartitions:Iter=>iter.filter(_>3)针对某个分区,分区数不变
glom:将每个分区形成一个数组，分区数不变
filter:根据传入的函数的返回值，如果为true，就返回否则忽略，分区数不变
distinct:针对每个分区内重复的元素过滤，分区数不变
cartesian:针对多个RDD的分区进行笛卡尔积
union:针对多个RDD分区进行合并(不进行去重)，会改变分区数
mapValues:针对分区中kv结构的RDD中的v进行操作，对k不会有影响，分区数不变
subtract:去除多个分区中交叉的元素
sample:针对RDD采样fraction=0.5,seed=9,返回结果仍是RDD
takeSample:num=1,seed=9,返回结果不是RDD groupBy:根据k，group,相同k拥有v数组 partitionBy:针对RDD分区 cogroup:这对kvRDD，的k进行分组，每个k是v的元组数组 combineByKey:groupbykey，针对分区进行分组，分区数不变 reduceByKey:对每个分区相同k的v进行操作
join:
leftOuterJoin:
rightOuterJoin:

#Spark RDD中cache和persist详解
cache是persist的一种实现，都是lazy操作，unpersist是立即操作

#RDD中Action的算子详解
foreach:
collect:toArray
collectAsMap:kv模式的hashmap,k重复v会覆盖
reduceByKeyLocally:reduce+collectAsMap:kv lookup:寻找指定k的sequence序列,优先找partition，否则暴力扫描
count:计算所有分区中元素的个数
top:
reduce:对每个分区分别进行reduceLeft,在对所有分区结果进行reduceLeft
fold:比reduce默认一个zero
aggregate:
saveAsTextFile:
saveAsObjectFile:c<null,byteWriteable> sequence

#RDD中的缓存和检查点不同使用场景和工作机制彻底解析

##缓存(persist)
缓存会被重用eg：1 2 3 4 [5] 6.1 6.2 6.3
[5]有10000分片，可能丢失
##检查点(checkpoint) 在什么地方缓存，在获取大量数据的时候，上下stage,很长的计算链条之后，超耗时计算，checkpoint
checkpoint:会改变rdd的血缘关系，在action后触发，引入checkpoint,避免缓存丢失，重新计算带来的性能方面的开销，checkpoint，在action触发之后产生一个新的job,使用checkpoint的rdd务必使用checkpoint，这样更快，流计算，图计算使用很多checkpoint

#RDD窄依赖NarrowDependency和宽依赖ShuffleDependency
1个窄依赖：1个计算任务，相互独立
源码 Dependency
窄依赖可以优化scheduler optimizations
宽依赖是划分stage的依据，stage是构成dag的大粒度

#两种类型Spark RDD Task解析以及iterator解析
最后一个stage的task是resultTask，前面依赖的stage的task称为shuffleMapTask,都共有一个runTask方法的iterator开始计算
shuffleMapTask->bucket

1. 判断是否有缓存

2. 判断是否有checkpoint
   sparkEnv

#RDD的iterator中的缓存处理内幕源码级详解

#Spark RDD的checkpoint处理内幕源码级详解

#Spark RDD容错原理及其四大核心要点解析

#Spark应用程序中核心概念和常用术语详解
一个application可以有若干个作业

#Spark应用程序作业调度流程和底层运行机制内幕概述

#Spark应用程序运行Cluster和Client两种模式详解
cluster是在集群的某个worker中，client是在本地
所有的schedule都会被driver中的schedulebackend管理
excutor内部是多线程并行执行
#DAGScheduler、TaskScheduler、SchedulerBackend解析

到此，关于“spark创建RDD的方式有哪些”的学习就结束了，希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习，快去试试吧！若想继续学习更多相关知识，请继续关注亿速云网站，小编会继续努力为大家带来更多实用的文章！