"/>
侧边栏壁纸
博主头像
PySuper 博主等级

千里之行,始于足下

  • 累计撰写 206 篇文章
  • 累计创建 14 个标签
  • 累计收到 2 条评论

目 录CONTENT

文章目录

SparkCore 之 RDD详解

PySuper
2022-04-21 / 0 评论 / 0 点赞 / 55 阅读 / 0 字
温馨提示:
本文最后更新于2024-05-28,若内容或图片失效,请留言反馈。 所有牛逼的人都有一段苦逼的岁月。 但是你只要像SB一样去坚持,终将牛逼!!! ✊✊✊

分布式计算需要:

  • 分区控制
  • Shuffle 控制
  • 数据存储/序列化/发送
  • 数据计算API
  • 等一系列功能

这些功能, 不能简单的通过Python内置的本地集合对象(如 List\ 字典等)去完成;

在分布式框架中,需要有一个统一的数据抽象对象,来实现上述分布式计算所需功能;

这个抽象对象,就是RDD!

什么是RDD

Resilient Distributed Dataset,弹性分布式数据集

Spark中最基本的数据抽象,代表一个不可变、可分区、里面的元素可并行计算 的集合

  • Dataset:一个数据集合,用于存放数据的
  • Distributed:RDD中的数据是分布式存储的,可用于分布式计算
  • Resilient:RDD中的数据可以存储在内存中或者磁盘
SparkCore

RDD的5大特性

  • RDD是有分区
    • RDD的分区是RDD数据存储的最小单位
    • 一份RDD的数据,本质上是分隔成了多个分区
sc.parallelize([1, 2, 3, 4, 5, 6, 7, 8, 9], 3).glom().collect()
# [[1, 2, 3], [4, 5, 6], [7, 8, 9]]                                               

sc.parallelize([1, 2, 3, 4, 5, 6, 7, 8, 9], 6).glom().collect()
# [[1], [2, 3], [4], [5, 6], [7], [8, 9]]

sc.parallelize([1, 2, 3, 4, 5, 6, 7, 8, 9], 2).glom().collect()
# [[1, 2, 3, 4], [5, 6, 7, 8, 9]]
  • RDD 的方法会作用在其所有的分区
sc.parallelize([1, 2, 3, 4, 5, 6, 7, 8, 9], 2).map(lambda x: x * (10)).glom().collect()
# [[10, 20, 30, 40], [50, 60, 70, 80, 90]]
  • RDD 之间是有依赖关系的(迭代计算)
from pyspark import SparkConf, SparkContext

conf = SparkConf().setMaster("local[*]").setAppName("word_count")
sc = SparkContext(conf=conf)

# 层层依赖,形成一个依赖链条
rdd_1 = sc.textFile("./data/input/words.txt")
rdd_2 = rdd_1.flatMap(lambda x: x.split(" "))
rdd_3 = rdd_2.map(lambda x: (x, 1))
rdd_4 = rdd_3.reduceByKey(lambda a, b: a + b)
  • Key-Value型的RDD可以有分区器
    • 默认分区器:Hash分区规则(相同数据分到一起),可以手动设置一个分区器(rdd_4.partitionBy()设置)
    • 非必选,因为不是所有的RDD都是KV型
    • KV RDD:RDD中存储的是 二元元组(只有两个元素的数组),这就是KV型的RDD
  • RDD的分区规划,会尽量靠近数据所在的服务器
    • 在初始RDD(读取数据的时候)规划的时候,分区会尽量规划到存储数据所在的服务器上(尽量本地读取)
      • 本地读取:
        • Executor所在服务器,同样是一个DataNode
        • 同时这个DataNode上有它要读的数据
        • 所以可以直接读取机器硬盘,无需走网络传输
      • 网络读取:
        • 需要经过网络的传输才能读取到
    • 性能:本地读取 >>> 网络读取
    • 在确保并行计算能力的前提下,尽量确保本地读取,但不是一定

WordCount中RDD

SparkCore

0
  1. 支付宝打赏

    qrcode alipay
  2. 微信打赏

    qrcode weixin

评论区