spark的rdd和sql处理数据的区别

前言

上一篇我们已经对Spark有了一定程度的认识，权当吹水了，从这篇开始进入正题。

上一篇的链接，有兴趣可以先行阅读：从零开始认识Spark（）

二、Spark 的内存计算框架（重点????）

RDD（Resilient Distributed Dataset）叫做 弹性分布式数据集 ，是Spark中最基本的数据抽象，它代表一个不可变、可分区、里面的元素可并行计算的集合.

Dataset:就是一个集合，存储很多数据.
Distributed：它内部的元素进行了分布式存储，方便于后期进行分布式计算.
Resilient:表示弹性，rdd的数据是可以保存在内存或者是磁盘中.

在代码中的表现是这样的，每一个方法所对应的结果都是一个RDD，比如上面的scala代码，下一个RDD的结果会依赖于上一个RDD

我知道到目前大家都没整懂，没事，继续往下看就会懂的????

2.1 RDD 的五大特性

接下来是在源码中对于RDD的解释，分点中我使用了

我觉得（接受反驳????）较为合理的语句来解释

2.1.1 A list of partitions

一个分区（Partition）列表，组成了该RDD的数据。

这里表示一个rdd有很多分区，每一个分区内部是包含了该rdd的部分数据，spark中任务是以task线程的方式运行， 一个分区就对应一个task线程。

用户可以在创建RDD时指定RDD的分区个数，如果没有指定，那么就会采用默认值。（比如：读取HDFS上数据文件产生的RDD分区数跟block的个数相等）

RDD的分区其实可以简单这样理解，比如说我现在要来一个wordCount，这个文本的大小是300M，那按照我们 HDFS 的套路，每128M是一个block块，那这个300M的文件就是3个block，然后我们的RDD会按照你这个文件的拥有的block块数来决定RDD的分区数，此时RDD的分区数就是3，但是如果我这个文件本身就小于128M呢，那RDD就会默认为2个分区数

2.1.2 A function for computing each split

每个分区的计算函数都算是一个RDD --- Spark中RDD的计算是以分区为单位的，每个RDD都会实现compute函数以达到这个目的.

2.1.3 A list of dependencies on other RDDs

一个rdd会依赖于其他多个rdd --- rdd与rdd之间的依赖关系，spark任务的容错机制就是根据这个特性而来。

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

针对key-value类型的RDD才有分区函数，分区函数其实就是把计算的结果丢到不同的分区中。

当前Spark中实现了两种类型的分区函数，一个是基于哈希的 HashPartitioner，另外一个是基于范围的 RangePartitioner。
只有对于key-value的RDD,并且产生shuffle，才会有 Partitioner，非key-value的RDD的 Parititioner 的值是None。

HashPartitioner的套路在之前的 MapReduce 的那篇已经有提到过了，其实大数据的那些分区套路好多都是这个套路，RangePartitioner就是类似规定了多少到多少丢这个分区，多少到多少又丢那个分区这样的玩法。

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

计算任务的位置优先为存储每个Partition的位置 (可自定义)

这里涉及到数据的本地性，数据块位置最优。简单点说也就是说哪里有数据我们就在哪里做计算的意思。

spark任务在调度的时候会优先（注意只是优先，而不是必然）考虑存有数据的节点开启计算任务，减少数据的网络传输，提升计算效率。

2.2 基于wordCount分析RDD的5大属性

需求就是HDFS上有一个大小为300M的文件，通过 Spark 实现文件单词统计，最后把结果数据保存到 HDFS 上，代码如下，注意我们使用的是 Scala 而不是 Java 代码

sc.textFile("/words.txt") // 读取数据文件
    .flatMap(_.split(" ")) // 切分每一行，获取所有单词
        .map((_,1)) // 每个单词计为1
            .reduceByKey(_+_) // 相同单词(key)出现的1累加
                .saveAsTextFile("/out") // 保存输出到/out

因为我本地没有部署好环境，所以我以下过程不会截图，但是会把操作步骤和结果说明一下

2.2.1 RDD1 : sc.textFile("/words.txt")

把 Spark-shell跑起来，然后我们可以一步一步地把代码运行一下，此时我们可以看到

此时我们就可以执行scala的代码了，第一步先把sc.textFile("/words.txt")给打上去

因为RDD是一个抽象类，所以sc.textFile("/words.txt")的结果由它的子类 MapPartitionsRDD 进行了接收，这个代码会得出RDD的分区结果，我们也可以通过

sc.textFile("/words.txt").partitions

查看分区，此时会得出一个数组，这个数组的长度为3（300M的文件会有3个block块，而RDD的分区数是由block块来决定的，注意RDD的分区数不一定都在不同的服务器上。但是如果block块只有1，RDD的分区数就会默认2）

sc.textFile("/words.txt").partitions.length

执行这个查看数组的长度，必然为3

此时RDD2,RDD3的结果和RDD1的结果都是由 MapPartitionsRDD 进行接收，不同的是map得出来的RDD会是key-value类型而已

2.2.2 RDD4 : sc.textFile("/words.txt").flatMap(.split(" ")).map((,1)).reduceByKey(+)

RDD4的接收类型为 ShuffleRDD，因为此时的结果需要按照key来分组，就必定会产生 shuffle，那shuffle可以先简单这么理解，比如我们现在的wordCount中words.txt只有3个key分别是"zookeeper","kafka","spark"，那我shuffle时我就做出这样的规定

此时我们 saveAsTextFile 会得到3个文件，不难发现其实 RDD 有几个分区就会有几个文件了。每个RDD所对应体现的5大特性也已经写在了图右侧。

2.3 RDD 的创建方式

2.3.1 通过已经存在的scala集合去构建

val rdd1=sc.parallelize(List(1,2,3,4,5))
val rdd2=sc.parallelize(Array("zookeeper","kafka","spark"))
val rdd3=sc.makeRDD(List(1,2,3,4))

2.3.2 加载外部的数据源去构建

val rdd1=sc.textFile("/words.txt")

2.3.3 从已经存在的rdd进行转换生成一个新的rdd

val rdd2=rdd1.flatMap(_.split(" "))
val rdd3=rdd2.map((_,1))

2.4 RDD 的算子分类

2.4.1 transformation（转换）

根据已经存在的rdd转换生成一个新的rdd,  它是延迟加载，它不会立即执行

就例如刚刚wordCount中用到的 map，flatMap，reduceByKey

2.4.2 action (动作)

它会真正触发任务的运行。将rdd的计算的结果数据返回给Driver端，或者是保存结果数据到外部存储介质中

就例如刚刚wordCount中用到的 collect，saveAsTextFile 等

2.5 RDD 的常见算子（后面结合代码说明）

2.5.1 transformation算子

转换	含义
map(func)	返回一个新的RDD，该RDD由每一个输入元素经过func函数转换后组成
filter(func)	返回一个新的RDD，该RDD由经过func函数计算后返回值为true的输入元素组成
flatMap(func)	类似于map，但是每一个输入元素可以被映射为0或多个输出元素（所以func应该返回一个序列，而不是单一元素）
mapPartitions(func)	类似于map，但独立地在RDD的每一个分片上运行，因此在类型为T的RDD上运行时，func的函数类型必须是Iterator[T] => Iterator[U]
mapPartitionsWithIndex(func)	类似于mapPartitions，但func带有一个整数参数表示分片的索引值，因此在类型为T的RDD上运行时，func的函数类型必须是(Int, Interator[T]) => Iterator[U]
union(otherDataset)	对源RDD和参数RDD求并集后返回一个新的RDD
interp(otherDataset)	对源RDD和参数RDD求交集后返回一个新的RDD
distinct([numTasks]))	对源RDD进行去重后返回一个新的RDD
groupByKey([numTasks])	在一个(K,V)的RDD上调用，返回一个(K, Iterator[V])的RDD
reduceByKey(func, [numTasks])	在一个(K,V)的RDD上调用，返回一个(K,V)的RDD，使用指定的reduce函数，将相同key的值聚合到一起，与groupByKey类似，reduce任务的个数可以通过第二个可选的参数来设置
sortByKey([ascending], [numTasks])	在一个(K,V)的RDD上调用，K必须实现Ordered接口，返回一个按照key进行排序的(K,V)的RDD
sortBy(func,[ascending], [numTasks])	与sortByKey类似，但是更灵活
join(otherDataset, [numTasks])	在类型为(K,V)和(K,W)的RDD上调用，返回一个相同key对应的所有元素对在一起的(K,(V,W))的RDD
cogroup(otherDataset, [numTasks])	在类型为(K,V)和(K,W)的RDD上调用，返回一个(K,(Iterable,Iterable))类型的RDD
coalesce(numPartitions)	减少 RDD 的分区数到指定值。
repartition(numPartitions)	重新给 RDD 分区
repartitionAndSortWithinPartitions(partitioner)	重新给 RDD 分区，并且每个分区内以记录的 key 排序

2.5.2 action算子

动作	含义
reduce(func)	reduce将RDD中元素前两个传给输入函数，产生一个新的return值，新产生的return值与RDD中下一个元素（第三个元素）组成两个元素，再被传给输入函数，直到最后只有一个值为止。
collect()	在驱动程序中，以数组的形式返回数据集的所有元素
count()	返回RDD的元素个数
first()	返回RDD的第一个元素（类似于take(1)）
take(n)	返回一个由数据集的前n个元素组成的数组
takeOrdered(n, [ordering])	返回自然顺序或者自定义顺序的前 n 个元素
saveAsTextFile(path)	将数据集的元素以textfile的形式保存到HDFS文件系统或者其他支持的文件系统，对于每个元素，Spark将会调用toString方法，将它装换为文件中的文本
saveAsSequenceFile(path)	将数据集中的元素以Hadoop sequencefile的格式保存到指定的目录下，可以使HDFS或者其他Hadoop支持的文件系统。
saveAsObjectFile(path)	将数据集的元素，以 Java 序列化的方式保存到指定的目录下
countByKey()	针对(K,V)类型的RDD，返回一个(K,Int)的map，表示每一个key对应的元素个数。
foreach(func)	在数据集的每一个元素上，运行函数func
foreachPartition(func)	在数据集的每一个分区上，运行函数func

2.6 常见算子的代码说明

好吧我忘了我本地没环境了···

这里只提醒一下，执行了transformation算子操作其实并没有真正意义上的得出结果，要跑collect()才真正的开始计算

2.6.1 注意：repartition 和 coalesce

val rdd1 = sc.parallelize(1 to 10,3)
//打印rdd1的分区数
rdd1.partitions.size

//利用repartition改变rdd1分区数
//减少分区
rdd1.repartition(2).partitions.size

//增加分区
rdd1.repartition(4).partitions.size

//利用coalesce改变rdd1分区数
//减少分区
rdd1.coalesce(2).partitions.size

repartition : 重新分区，有shuffle，可以用来处理小文件的问题

coalesce : 合并分区 / 减少分区，默认不shuffle

默认 coalesce 不能扩大分区数量。除非添加true的参数，或者使用repartition。

适用场景：

1. 如果要shuffle，都用 repartition
2. 不需要shuffle，仅仅是做分区的合并，coalesce
3. repartition常用于扩大分区。

2.6.2 注意：map、mapPartitions 和 mapPartitionsWithIndex

map：用于遍历RDD,将函数f应用于每一个元素，返回新的RDD(transformation算子)。

mapPartitions:用于遍历操作RDD中的每一个分区，返回生成一个新的RDD（transformation算子）。

总结：
如果在映射的过程中需要频繁创建额外的对象，使用mapPartitions要比map高效
比如，将RDD中的所有数据通过JDBC连接写入数据库，如果使用map函数，可能要为每一个元素都创建一个connection，这样开销很大，如果使用mapPartitions，那么只需要针对每一个分区建立一个connection。

2.6.3 注意：foreach、foreachPartition

foreach:用于遍历RDD,将函数f应用于每一个元素，无返回值(action算子)。

foreachPartition: 用于遍历操作RDD中的每一个分区。无返回值(action算子)。

总结：
一般使用mapPartitions或者foreachPartition算子比map和foreach更加高效，推荐使用。

所以我们可以使用 foreachPartition 算子实现

2.7 RDD的依赖关系

RDD和它依赖的父RDD的关系有两种不同的类型：窄依赖（narrow dependency）和宽依赖（wide dependency）

2.7.1 窄依赖

窄依赖指的是每一个父RDD的Partition最多被子RDD的一个Partition使用，比如map/flatMap/filter/union等等，且所有的窄依赖不会产生shuffle

2.7.2 宽依赖

宽依赖指的是多个子RDD的Partition会依赖同一个父RDD的Partition，比如reduceByKey/sortByKey/groupBy/groupByKey/join等等
。所有的宽依赖会产生shuffle

上图也可以看出join操作分为宽依赖和窄依赖，如果RDD有相同的partitioner，那么将不会引起shuffle，这种join是窄依赖，反之就是宽依赖

2.8 lineage

lineage翻译过来是血统的意思。还是之前的那张图。

RDD的 Lineage 会记录RDD的元数据信息和转换行为，lineage保存了RDD的依赖关系，当该RDD的部分分区数据丢失时，它可以根据这些信息来重新运算和恢复丢失的数据分区。

不过需要注意RDD只支持 粗粒度转换 （即只记录单个块上执行的单个操作），比如此时如果我是RDD4的0号莫得了，我就要重新拿到RDD3的所有数据，然后重新reducebyKey一次，这样才能恢复结果，这种宽依赖需要经过shuffle的操作，恢复起来的成本就会高很多

值得再提的是：我们其实不需要人为干预分区数据的恢复，程序自身就可以帮我们根据 RDD 的血统关系自行恢复

2.9 RDD 的缓存机制

可以把一个rdd的数据缓存起来，后续有其他的job需要用到该rdd的结果数据，可以直接从缓存中获取得到，避免了重复计算。缓存是加快后续对该数据的访问操作。

比如上图中我只要对RDD2的结果做一个缓存，到时候假如用的上，恢复起来就非常方便

2.9.1 如何对 RDD 设置缓存

RDD通过 persist 方法或 cache 方法可以将前面的计算结果缓存。但是需要注意并不是这两个方法被调用时立即缓存，而是触发后面的action时，该RDD将会被缓存在计算节点的内存中，并供后面重用。

我们可以看看去RDD的源码汇总找出来look look，这俩方法是放在了一起的

通过查看源码发现cache最终也是调用了persist方法，默认的缓存级别就是

MEMORY_ONLY 都是仅在内存存储一份，Spark的存储级别还有好多种，存储级别在object StorageLevel中定义的

StorageLevel 在Scala中是 object （注意这里我用的是小写，object 是单例对象的意思，而非Java中的Object），这里面还有大量不同的存储级别，这里就不展开了，这些英文其实也不难懂

cache和persist区别是：cache: 默认是把数据缓存在内存中，其本质就是调用persist方法，而persist：可以把数据缓存在内存或者是磁盘，有丰富的缓存级别，这些缓存级别都被定义在StorageLevel这个object中。

2.9.2 缓存的使用时机

当第一次使用RDD2做相应的算子操作得到RDD3的时候，就会从RDD1开始计算，先读取HDFS上的文件，然后对RDD1 做对应的算子操作得到RDD2,再由RDD2计算之后得到RDD3。同样为了计算得到RDD4，前面的逻辑会被重新计算。

默认情况下多次对一个RDD执行算子操作， RDD都会对这个RDD及之前的父RDD全部重新计算一次。这种情况在实际开发代码的时候会经常遇到，但是我们一定要避免一个RDD重复计算多次，否则会导致性能急剧降低。

为了获取得到一个RDD的结果数据，经过了大量的算子操作或者是计算逻辑比较复杂，也就是某个RDD的数据来之不易的时候，就可以设置缓存

总结：可以把多次使用到的RDD，也就是公共RDD进行持久化，避免后续需要，再次重新计算，提升效率。

2.9.3 清除缓存数据

1. 自动清除 : 一个application应用程序结束之后，对应的缓存数据也就自动清除
2. 手动清除 : 调用 RDD 的 unpersist 方法

虽然我们可以对 RDD 的数据进行缓存，保存在内存或者是磁盘中，之后就可以直接从内存或者磁盘中获取得到，但是注意这个方式不是特别安全。

cache 它是直接把数据保存在内存中，后续操作起来速度比较快，直接从内存中获取得到。但这种方式很不安全，由于服务器挂掉或者是进程终止，会导致数据的丢失。

persist 它可以把数据保存在本地磁盘中，后续可以从磁盘中获取得到该数据，但它也不是特别安全，由于系统管理员一些误操作删除了，或者是磁盘损坏，也有可能导致数据的丢失。

那么我们有没有一种更为安全的方式呢？

2.10 RDD 的 checkpoint 机制

checkpoint 提供了一种相对而言更加可靠的数据持久化方式。它是把数据保存在分布式文件系统，比如HDFS上。这里就是利用了HDFS高可用性，高容错性（多副本）来最大程度保证数据的安全性。

2.10.1 如何设置checkpoint

1.在 HDFS 上设置一个 checkpoint 目录

sc.setCheckpointDir("hdfs://node1:9000/checkpoint")

2.对需要做 checkpoint 操作的rdd调用 checkpoint 方法

val rdd1=sc.textFile("/words.txt")
rdd1.checkpoint
val rdd2=rdd1.flatMap(_.split(" "))

3.最后需要有一个 action 操作去触发任务的运行（checkpoint操作要执行需要有一个action操作，一个action操作对应后续的一个job。该job执行完成之后，它会再次单独开启另外一个job来执行 rdd1.checkpoint操作。）

对checkpoint在使用的时候进行优化，在调用checkpoint操作之前，可以先来做一个cache操作，缓存对应rdd的结果数据，后续就可以直接从cache中获取到rdd的数据写入到指定checkpoint目录中

rdd2.collect

所以我们总结一下 cache、persist、checkpoint 三者区别

cache和persist

cache默认数据缓存在内存中
persist可以把数据保存在内存或者磁盘中
后续要触发 cache 和 persist 持久化操作，需要有一个action操作
它不会开启其他新的任务，一个action操作就对应一个job 
它不会改变RDD的依赖关系，程序运行完成后对应的缓存数据就自动消失

checkpoint

可以把数据持久化写入到 HDFS 上
后续要触发checkpoint持久化操作，需要有一个action操作，后续会开启新的job执行checkpoint操作
它会改变RDD的依赖关系，后续数据丢失了不能够在通过血统进行数据的恢复。
    （因为它判断你已经持久化到 HDFS 中所以把依赖关系删除了）
程序运行完成后对应的checkpoint数据就不会消失

2.11 DAG 有向无环图生成

DAG(Directed Acyclic Graph) 叫做有向无环图（有方向,无闭环,代表着数据的流向），原始的RDD通过一系列的转换就形成了DAG。

这个就是我们的 wordCount 例子里生成的 DAG，这个图我们可以在上一讲中提到的web界面中的 Running Application 的 spark-shell ---> Completed Jobs 的 Description 中查看

2.11.1 DAG划分stage

stage是什么: 一个Job会被拆分为多组Task，每组任务被称为一个stage,stage表示不同的调度阶段，一个spark job会对应产生很多个stage

stage类型一共有2种:

1. ShuffleMapStage: 最后一个shuffle之前的所有变换叫ShuffleMapStage,它对应的task是shuffleMapTask
2. ResultStage: 最后一个shuffle之后的操作叫ResultStage，它是最后一个Stage.它对应的task是ResultTask

2.11.2 为啥我们要划分stage

根据RDD之间依赖关系的不同将DAG划分成不同的Stage(调度阶段)
对于窄依赖，partition的转换处理在一个Stage中完成计算
对于宽依赖，由于有Shuffle的存在，只能在parent RDD处理完成后，才能开始接下来的计算，

由于划分完stage之后，在同一个stage中只有窄依赖，没有宽依赖，可以实现流水线计算，
stage中的每一个分区对应一个task，在同一个stage中就有很多可以并行运行的task。

2.11.3 如何划分stage

我们划分stage的依据就是宽依赖

1. 首先根据rdd的算子操作顺序生成DAG有向无环图，接下里从最后一个 RDD 往前推，创建一个新的stage，把该rdd加入到该stage中，它是最后一个stage。
2. 在往前推的过程中运行遇到了窄依赖就把该 RDD 加入到本stage中，如果遇到了宽依赖，就从宽依赖的位置切开，那么最后一个stage也就被划分出来了。
3. 重新创建一个新的stage，按照第二个步骤继续往前推，一直到最开始的 RDD，整个划分stage也就划分结束了

2.11.4 stage与stage之间的关系

划分完stage之后，每一个stage中有很多可以并行运行的task，后期把每一个stage中的task封装在一个taskSet集合中，最后把一个一个的taskSet集合提交到worker节点上的executor进程中运行。

RDD 与 RDD 之间存在依赖关系，stage与stage之前也存在依赖关系，前面stage中的task先运行，运行完成了再运行后面stage中的task，也就是说后面stage中的task输入数据是前面stage中task的输出结果数据。

finally

以上我们就是把 RDD 的一些基础知识点给简单地过了一遍，还有一些更加深入，更加细致的方面我们要放到 Spark Core，Spark Streaming中去阐述，感兴趣的朋友可以继续地关注一下