本篇内容主要讲解“spark的RDD、算子、持久化算子分别是什么”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“spark的RDD、算子、持久化算子分别是什么”吧!
一：RDD的介绍
RDD(Resilient Distributed Dateset)，弹性分布式数据集。
RDD的五大特性：
1.RDD是由一系列的partition组成的。
2.函数是作用在每一个partition（split）上的。
3.RDD之间有一系列的依赖关系。
4.分区器是作用在K,V格式的RDD上。
5.RDD提供一系列最佳的计算位置。
注意：
textFile方法底层封装的是读取MR读取文件的方式，读取文件之前先split，默认split大小是一个block大小。
RDD实际上不存储数据，这里方便理解，暂时理解为存储数据。
什么是K,V格式的RDD?
如果RDD里面存储的数据都是二元组对象，那么这个RDD我们就叫做K,V格式的RDD。
哪里体现RDD的弹性（容错）？
partition数量，大小没有限制，体现了RDD的弹性。
RDD之间依赖关系，可以基于上一个RDD重新计算出RDD。
哪里体现RDD的分布式？
RDD是由Partition组成，partition是分布在不同节点上的。RDD提供计算最佳位置，体现了数据本地化。体现了大数据中“计算移动数据不移动”的理念。
RDD的创建方式
XX.parallelize() XX.makeRDD()
二、算子
Transformations转换算子有如下：
filter 过滤符合条件的记录数，true保留，false过滤掉 map 将一个RDD中的每个数据项，通过map中的函数映射变为一个新的元素 特点：输入一条，输出一条数据 flatMap 先map后flat。与map类似，每个输入项可以映射为0到多个输出项 sample 随机抽样算子，根据传进去的小数按比例进行又放回或者无放回的抽样 reduceByKey 将相同的Key根据相应的逻辑进行处理 sortByKey/sortBy 作用在K,V格式的RDD上，对key进行升序或者降序排序 join,leftOuterJoin,rightOuterJoin,fullOuterJoin 作用在K,V格式的RDD上。根据K进行连接，对（K,V）join(K,W)返回（K,(V,W)）,join后的分区数与父RDD分区数多的那一个相同。 union 合并两个数据集。两个数据集的类型要一致,返回新的RDD的分区数是合并RDD分区数的总和。 intersection 取两个数据集的交集，返回新的RDD与父RDD分区多的一致 subtract 取两个数据集的差集，结果RDD的分区数与subtract前面的RDD的分区数一致。 mapPartitions 与map类似，遍历的单位是每个partition上的数据。 distinct 实际内部使用的是map+reduceByKey+map，就是去重的意思 cogroup 当调用类型（K,V）和（K，W）的数据上时，返回一个数据集（K，（Iterable<V>,Iterable<W>）），子RDD的分区与父RDD多的一致 mapPartitionWithIndex 类似于mapPartitions,除此之外还会携带分区的索引值。 repartition 增加或减少分区。会产生shuffle。（多个分区分到一个分区不会产生shuffle） coalesce 用来减少分区，第二个参数是减少分区的过程中是否产生shuffle。true为产生shuffle，false不产生shuffle。默认是false。 如果coalesce设置的分区数比原来的RDD的分区数还多的话，第二个参数设置为false不会起作用，如果设置成true，效果和repartition一样。即repartition(numPartitions) = coalesce(numPartitions,true) groupByKey 作用在K，V格式的RDD上。根据Key进行分组。作用在（K，V），返回（K，Iterable <V>）。 zip 将两个RDD中的元素（KV格式/非KV格式）变成一个KV格式的RDD,两个RDD的每个分区元素个数必须相同 zipWithIndex 该函数将RDD中的元素和这个元素在RDD中的索引号（从0开始）组合成（K,V）对。
Action行动算子有如下：
count 返回数据集中的元素数。会在结果计算完成后回收到Driver端 take(n) 返回一个包含数据集前n个元素的集合 first first=take(1),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
转换算子和行动算子的区别：
大多数情况下转换算子返回的内心是RDD类型，行动算子返回的类型大多常常是普通类型，当不知道算子是属于那个类型算子的时候，可以用这个推测
最后一种叫做：控制算子，分别是cache、persist、checkpoint,cache和persist都是懒执行的。必须有一个action类算子触发执行。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
三、案列
案列1：cache
请求数据：words数据有约1700万条记录，文件大小约200m大小
结果：
没用做持久化算子处理：56995 毫秒 cache: 274 毫秒
scala代码
def main(args: Array[String]): Unit = {
/*cache*/
val conf = new SparkConf()
conf.setAppName("spark04")
conf.setMaster("local")
val context = new SparkContext(conf)
val sc = context.textFile("./words")
val result = sc.flatMap(_.split("")).map((_,1)).reduceByKey((_+_))
val startTime1 = System.currentTimeMillis()
//默认将RDD的数据持久化到内存中。cache是懒执行,使用persist时候，与cache搭配使用，效率要高点
//不能这样写：rdd.cache().count()返回的不是持久化的RDD，而是一个数值了
result.count()
println("没用做持久化算子处理："+(System.currentTimeMillis()-startTime1)+" 毫秒")
val startTime2 = System.currentTimeMillis()
//默认将RDD的数据持久化到内存中。cache是懒执行
result.cache()
//cache和persist都是懒执行，必须有一个action类算子触发执行
result.count()
println("cache: "+(System.currentTimeMillis()-startTime2).toString+" 毫秒")
}案列2: persist
数据：words数据有约1700万条记录，文件大小约200m大小
结果：
没用做持久化算子处理：55350毫秒 persist: 312 毫秒
scala代码
def main(args: Array[String]): Unit = {
/*cache*/
val conf = new SparkConf()
conf.setAppName("spark04")
conf.setMaster("local")
val context = new SparkContext(conf)
val sc = context.textFile("./words")
val result = sc.flatMap(_.split("")).map((_,1)).reduceByKey((_+_))
val startTime1 = System.currentTimeMillis()
result.count()
println("没用做持久化算子处理："+(System.currentTimeMillis()-startTime1)+" 毫秒")
val startTime2 = System.currentTimeMillis()
//默认将RDD的数据持久化到内存中。cache是懒执行,使用persist时候，与cache搭配使用，效率要高点
//不能这样写：rdd.persist().count()返回的不是持久化的RDD，而是一个数值了
//persist()内部就是调用cache()
result.persist()
//1cache和persist都是懒执行，必须有一个action类算子触发执行。
result.count()
println("persist: "+(System.currentTimeMillis()-startTime2).toString+" 毫秒")
}
}案列3： checkpoint
数据：words数据有约1700万条记录，文件大小约200m大小
结果：
没用做持久化算子处理：55575 毫秒 checkpoint: 55851 毫秒 同时会在指定的输出路径中多出持久化到硬盘的数据文件 由于要持久化到硬盘中，速度要慢很多 可以与result.cache()搭配使用 搭配使用后的运行结果 checkpoint: 54621 毫秒 比之前的少了1000多毫秒，result使用cache后，以前处理的数据都放到缓存中去了，所以要稍微快一点
scala代码
def main(args: Array[String]): Unit = {
/*cache*/
val conf = new SparkConf()
conf.setAppName("spark04")
conf.setMaster("local")
val context = new SparkContext(conf)
//设置checkpoint输出路径
context.setCheckpointDir("./checkpoint_file")
//数据来源
val sc = context.textFile("./words")
val result = sc.flatMap(_.split("")).map((_,1)).reduceByKey((_+_))
val startTime1 = System.currentTimeMillis()
result.count()
println("没用做持久化算子处理："+(System.currentTimeMillis()-startTime1)+" 毫秒")
val startTime2 = System.currentTimeMillis()
//不能这样：rdd.checkpoint().count()
result.checkpoint()
/** 一个action类原子就是会启动一个job
1.当RDD的job执行完毕后，会从finalRDD从后往前回溯。
2.当回溯到某一个RDD调用了checkpoint方法，会对当前的RDD做一个标记。
3.Spark框架会自动启动一个新的job，重新计算这个RDD的数据，将数据持久化到HDFS上。
优化：对RDD执行checkpoint之前，最好对这个RDD先执行cache，这样新启动的job只需要将内存中的数据拷贝到HDFS上就可以，省去了重新计算这一步
*/
//result.cache()
result.count()
println("checkpoint: "+(System.currentTimeMillis()-startTime2).toString+" 毫秒")
}总结：
cache和persist的注意事项： 1.cache和persist都是懒执行，必须有一个action类算子触发执行。 2.cache和persist算子的返回值可以赋值给一个变量，在其他job中直接使用这个变量就是使用持久化的数据了。持久化的单位是partition。 3.cache和persist算子后不能立即紧跟action算子。 4.cache和persist算子持久化的数据当applilcation执行完成之后会被清除。 错误：rdd.cache().count() 返回的不是持久化的RDD，而是一个数值了。 checkpoint checkpoint将RDD持久化到磁盘，还可以切断RDD之间的依赖关系。checkpoint目录数据当application执行完之后不会被清除。 checkpoint 的执行原理： 1.当RDD的job执行完毕后，会从finalRDD从后往前回溯。 2.当回溯到某一个RDD调用了checkpoint方法，会对当前的RDD做一个标记。 3.Spark框架会自动启动一个新的job，重新计算这个RDD的数据，将数据持久化到HDFS上。 优化：对RDD执行checkpoint之前，最好对这个RDD先执行cache，这样新启动的job只需要将内存中的数据拷贝到HDFS上就可以，省去了重新计算这一步
到此，相信大家对“spark的RDD、算子、持久化算子分别是什么”有了更深的了解，不妨来实际操作一番吧！这里是亿速云网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
