大数据之Spark基础篇，核心RDD特征分析讲解

RDD特征概要总结：

a、RDD是Spark提供的核心抽象，全称为Resillient Distributed Dataset，即弹性分布式数据集。

b、RDD在抽象上来说是一种元素集合，包含了数据。它是被分区的，分为多个分区，每个分区分布在集群中的不同节点上，从而让RDD中的数据可以被并行操作。

c、RDD通常通过Hadoop上的文件，即HDFS文件或者Hive表，来进行创建;有时也可以通过应用程序中的集合来创建。

d、RDD最重要的特性就是，提供了容错性，可以自动从节点失败中恢复过来。即如果某个节点上的RDD partition，因为节点故障，导致数据丢了，那么RDD会自动通过自己的数据来源重新计算该partition。这一切对使用者是透明的。

e、RDD的数据默认情况下存放在内存中的，但是在内存资源不足时，Spark会自动将RDD数据写入磁盘。

下面我们一起来对其关键特征进行详细分析

 

 

图1-RDD分布式特征

分析：

RDD(Resilient Distributed Datasets)弹性分布式数据集，是分布式内存的一个抽象概念。我们可以抽象的代表对应一个HDFS上的文件，但是他实际上是被分区的，分为多个分区撒落在Spark集群中的不同节点上。比如现在我们的一个RDD有40万条数据，并分为4个partition，这4个分区数据分别存储在集群中的节点1、2、3、4中，而每个partition分到10万条数据。如图1所示，这样的一个RDD将数据分布式撒落在集群的一批节点上，每个节点只是存储RDD的部分partition，这就是RDD的分布式结构模型。

 

 

图2-RDD弹性式特征

分析：

RDD的弹性特征说明，当RDD的每个partition数据都存放到Spark集群节点上时候，默认是都存放在内存中的，但是如果内存放不下这么多的数据时，我们该怎么办呢?这时候RDD的弹性特征就表现出来了。如上图2所示，在节点3内存中最多只能存储6万数据，结果我们需要存放一个partition数据为10万，那么这时就得把partition中的剩余4万数据写入到磁盘上进行保存了。而这种存储的分配针对用户是透明的，我们不用管他怎么存储，虽然这种存储机制是有配置参数提供我们选择的，后续深入讲解时候会介绍到如何选择存储策略，这里就不加深难度了，所以，RDD的这种自动进行内存和磁盘之间权衡和却换的机制，就是RDD的弹性特征所在。

 

 

图3-RDD容错性特征

分析：

最后我们来看看RDD被分散的存放在集群的各个节点上了，那假如某个节点运行时候出现问题，数据该怎么办呢?这里Spark的RDD支持了强大的容错机制，如上图3，在运行节点n时候出现了问题，这时候就需要重新获取数据进行计算，那RDD将启动容错机制，尝试寻找上游依赖数据源节点3来重新获取数据进行计算，这里深入分析将会提出另外一个概念来了，那就是DAG(有向无环图)、进一步了解RDD的依赖关系，与底层逻辑关系了，期待分析的时候您能光临。