Spark中的RDD核心操作有哪些

本篇内容介绍了“Spark中的RDD核心操作有哪些”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！

Q1:Spark中的RDD到底是什么？

• RDD是Spark的核心抽象，可以把RDD看做“分布式函数编程语言”。

• RDD有以下核心特征：

A list of partitions

A function for computing each split

A list of dependencies on other RDDs

Optionally, a Partitioner for key-value RDDs (e.g. to say that the RDD is hash-partitioned)

Optionally, a list of preferred locations to compute each split on (e.g. block locations for an HDFS file)

• RDD中有两种核心操作：Transformation和Action，Transformation时只会记录对数据操作的元数据，Action时会对数据进行计算并产出结果。

  
  

Q2:Checkpoint和persist是什么类型的RDD呢？

• RDD的Operation分为两类，transformation和action，其中transformation产生新的RDD，action产生新的数据。作为DAG的lineage对transformation进行存储，当action时执行lineage并产生数据。

• checkpoint和persist是RDD比较特殊的两个操作， persist持久化RDD, checkpoint持久化RDD同时切断历史lineage。

• Persist和checkpoint有违immutability的操作，它们实际上修改RDD meta info中的storage level和lineage，并返回修改过的RDD对象自身而非新的RDD对象.

   
  

Q3:Spark在运行的时候Driver程序运行在什么地方？

• 在Standalone的模式下Driver运行在提交Spark Application的客户端；

• 客户端能够提交Spark程序是应为安装了Spark；

• Driver要负责程序的运行；

Q4:理解DAGScheduler对DAG Stage划分的诀窍是什么？

• 一般而言出现从外部读取数据、进行Shuffle操作和写数据的时候会成为Stage划分的边界；

• Stage内部的操作是Pipeline的，可以极大的提高程序运行效率；

• Shuffle是两个Stage的划分点；

Q5:如何理解Narrow Dependencies和Wide Dependencies？

• Narrow Dependencies和Wide Dependencies构成了Spark Lineage；

• Narrow Dependencies：例如map、filter、union、join with inputs co-partitioned;

• Wide Dependencies:例如groupByKey、join with inputs not co-partitioned；

• 判断是Narrow Dependencies的关键就是左侧RDD Partition操作产出的结果是唯一右侧的RDD Partition；

• 判断是Wide Dependencies的关键就是左侧RDD Partition操作产出的结果是至少两个右侧的RDD Partitions；

“Spark中的RDD核心操作有哪些”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注亿速云网站，小编将为大家输出更多高质量的实用文章！