這篇文章主要為大家展示了“Spark中RDD的本質(zhì)是什么”，內(nèi)容簡而易懂，條理清晰，希望能夠幫助大家解決疑惑，下面讓小編帶領(lǐng)大家一起研究并學(xué)習(xí)一下“Spark中RDD的本質(zhì)是什么”這篇文章吧。

成都創(chuàng)新互聯(lián)是專業(yè)的襄垣網(wǎng)站建設(shè)公司，襄垣接單;提供成都網(wǎng)站建設(shè)、做網(wǎng)站,網(wǎng)頁設(shè)計(jì),網(wǎng)站設(shè)計(jì),建網(wǎng)站,PHP網(wǎng)站建設(shè)等專業(yè)做網(wǎng)站服務(wù);采用PHP框架,可快速的進(jìn)行襄垣網(wǎng)站開發(fā)網(wǎng)頁制作和功能擴(kuò)展;專業(yè)做搜索引擎喜愛的網(wǎng)站,專業(yè)的做網(wǎng)站團(tuán)隊(duì),希望更多企業(yè)前來合作!

RDD的本質(zhì)是什么

一個(gè)RDD 本質(zhì)上是一個(gè)函數(shù)，而RDD的變換不過是函數(shù)的嵌套。RDD我認(rèn)為有兩類：

1. 輸入RDD,典型如KafkaRDD,JdbcRDD

2. 轉(zhuǎn)換RDD，如MapPartitionsRDD

我們以下面的代碼為例做分析：

sc.textFile("abc.log").map().saveAsTextFile("")

• textFile 會(huì)構(gòu)建出一個(gè)NewHadoopRDD,

• map函數(shù)運(yùn)行后會(huì)構(gòu)建出一個(gè)MapPartitionsRDD

• saveAsTextFile觸發(fā)了實(shí)際流程代碼的執(zhí)行

所以RDD不過是對(duì)一個(gè)函數(shù)的封裝，當(dāng)一個(gè)函數(shù)對(duì)數(shù)據(jù)處理完成后，我們就得到一個(gè)RDD的數(shù)據(jù)集(是一個(gè)虛擬的，后續(xù)會(huì)解釋)。

NewHadoopRDD是數(shù)據(jù)來源，每個(gè)parition負(fù)責(zé)獲取數(shù)據(jù)，獲得過程是通過iterator.next 獲得一條一條記錄的。假設(shè)某個(gè)時(shí)刻拿到了一條數(shù)據(jù)A,這個(gè)A會(huì)立刻被map里的函數(shù)處理得到B（完成了轉(zhuǎn)換）,然后開始寫入到HDFS上。其他數(shù)據(jù)重復(fù)如此。所以整個(gè)過程：

• 理論上某個(gè)MapPartitionsRDD里實(shí)際在內(nèi)存里的數(shù)據(jù)等于其Partition的數(shù)目，是個(gè)非常小的數(shù)值。

• NewHadoopRDD則會(huì)略多些，因?yàn)閷儆跀?shù)據(jù)源，讀取文件，假設(shè)讀取文件的buffer是1M，那么最多也就是partitionNum*1M 數(shù)據(jù)在內(nèi)存里

• saveAsTextFile也是一樣的，往HDFS寫文件，需要buffer，最多數(shù)據(jù)量為 buffer* partitionNum

所以整個(gè)過程其實(shí)是流式的過程，一條數(shù)據(jù)被各個(gè)RDD所包裹的函數(shù)處理。

剛才我反復(fù)提到了嵌套函數(shù)，怎么知道它是嵌套的呢？

如果你寫了這樣一個(gè)代碼：

sc.textFile("abc.log").map().map().........map().saveAsTextFile("")

有成千上萬個(gè)map,很可能就堆棧溢出了。為啥?實(shí)際上是函數(shù)嵌套太深了。

按上面的邏輯，內(nèi)存使用其實(shí)是非常小的，10G內(nèi)存跑100T數(shù)據(jù)也不是難事。但是為什么Spark常常因?yàn)閮?nèi)存問題掛掉呢？ 我們接著往下看。

Shuffle的本質(zhì)是什么？

這就是為什么要分Stage了。每個(gè)Stage其實(shí)就是我上面說的那樣，一套數(shù)據(jù)被N個(gè)嵌套的函數(shù)處理(也就是你的transform動(dòng)作)。遇到了Shuffle,就被切開來，所謂的Shuffle，本質(zhì)上是把數(shù)據(jù)按規(guī)則臨時(shí)都落到磁盤上，相當(dāng)于完成了一個(gè)saveAsTextFile的動(dòng)作，不過是存本地磁盤。然后被切開的下一個(gè)Stage則以本地磁盤的這些數(shù)據(jù)作為數(shù)據(jù)源，重新走上面描述的流程。

我們?cè)僮鲆淮蚊枋觯?/p>

所謂Shuffle不過是把處理流程切分，給切分的上一段(我們稱為Stage M)加個(gè)存儲(chǔ)到磁盤的Action動(dòng)作，把切分的下一段(Stage M+1)數(shù)據(jù)源變成Stage M存儲(chǔ)的磁盤文件。每個(gè)Stage都可以走我上面的描述，讓每條數(shù)據(jù)都可以被N個(gè)嵌套的函數(shù)處理，最后通過用戶指定的動(dòng)作進(jìn)行存儲(chǔ)。

為什么Shuffle 容易導(dǎo)致Spark掛掉

前面我們提到，Shuffle不過是偷偷的幫你加上了個(gè)類似saveAsLocalDiskFile的動(dòng)作。然而，寫磁盤是一個(gè)高昂的動(dòng)作。所以我們盡可能的把數(shù)據(jù)先放到內(nèi)存，再批量寫到文件里，還有讀磁盤文件也是給費(fèi)內(nèi)存的動(dòng)作。把數(shù)據(jù)放內(nèi)存，就遇到個(gè)問題，比如10000條數(shù)據(jù)，到底會(huì)占用多少內(nèi)存？這個(gè)其實(shí)很難預(yù)估的。所以一不小心，就容易導(dǎo)致內(nèi)存溢出了。這其實(shí)也是一個(gè)很無奈的事情。

我們做Cache/Persist意味著什么？

其實(shí)就是給某個(gè)Stage加上了一個(gè)saveAsMemoryBlockFile的動(dòng)作，然后下次再要數(shù)據(jù)的時(shí)候，就不用算了。這些存在內(nèi)存的數(shù)據(jù)就表示了某個(gè)RDD處理后的結(jié)果。這個(gè)才是說為啥Spark是內(nèi)存計(jì)算引擎的地方。在MR里，你是要放到HDFS里的，但Spark允許你把中間結(jié)果放內(nèi)存里。

以上是“Spark中RDD的本質(zhì)是什么”這篇文章的所有內(nèi)容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內(nèi)容對(duì)大家有所幫助，如果還想學(xué)習(xí)更多知識(shí)，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道！