Spark RDDd性分布式数据集——RDD的分区和依赖关系

目录

3.4     RDD的分区

3.5     RDD的依赖关系

总结

---

3.4     RDD的分区

在分布式程序中，网络通信的开销是很大的，因此控制数据分布以获得最少的网络传输开销可以极大的提升整体性能；Spark程序可以通过控制RDD分区方式来减少通信开销。Spark中所有的RDD都可以进行分区，系统会根据一个针对键的函数对元素进行分区。虽然Spark不能控制每个键具体划分到那个节点上，但是可以确保相同的键出现在同一个分区上。

RDD的分区原则是分区的个数尽量等于集群中的CPU核心（Core）数目。对于不同的Spark部署模式而言，都可以通过设置spark.default.parallelism这个参数值来配置默认的分区数目。

一般来说，各种模式下的默认分区数目如下：

Local模式：默认为本地机器的CPU数目，若设置了local[N]，则默认为N；Standalone或者Yarn模式：在“集群中所有CPU核数总和”和“2”这两者中取较大值作为默认值；Mesos模式：默认的分区数是8。

Spark框架为RDD提供了两种分区方式，分别是哈希分区（HashPartitioner）和范围分区（RangePartitioner）。其中哈希分区是根据哈希值进行分区；范围分区是将一定范围的数据映射到一个分区中。

Spark支持自定义分区方式，即通过一个自定义的Partitioner对象来控制RDD的分区，从而进一步减少通信开销。需注意的是，RDD的分区函数是针对（Key，Value）类型的RDD进行自定义分区时，需要先把RDD元素转换为（Key，Value）类型，再通过分区函数进行分区 *** 作。

如果想要实现自定义分区，就需要定义一个类，使得这个自定义的类继承org.apache.spark.Partitioner类，并实现其中的3个方法，具体如下：

def numPartitions:Int：用于返回创建的分区个数。def getPartition(Key:Any)：用于对输入的Key做处理，并返回该Key的分区ID，分区ID的范围是0~numPartitions-1。equals(others:Any)：用于Spark判断自定义的Partitioner对象和其他的Partitioner对象是否相同，从而判断两个RDD的分区方式是否相同。其中，equals（）方法中的参数other表示其他的Partitioner对象，该方法的返回值是一个Boolean类型，当返回值为True时表示自定义的Partitioner对象和其他的Partitioner对象相同，则两个RDD的分区方式也是相同的；反之，自定义的Partitioner对象和其他的Partitioner对象不相同，则两个RDD的分区方式也不相同。 3.5     RDD的依赖关系

     在Spark中，不同的RDD之间具有依赖的关系。RDD与它所依赖的RDD的依赖关系有两种类型，分别是窄依赖（narrow dependency）和宽依赖（wide dependency）。

       窄依赖是指父RDD的每一个分区最多被一个子RDD的分区使用，即OneToOneDependency。窄依赖的表现一般分为两类：第一类表现为一个父RDD的分区对应于一个子RDD的分区；第二类表现为多个父RDD的分区对应一个子RDD的分区。也就是说，一个父RDD的一个分区不可能对应一个子RDD的多个分区。

       为了便于理解，通常把窄依赖形象的比喻为独生子女。当RDD执行map、filter、union和join *** 作时，都会产生窄依赖。

       从上图可以看出，RDD进行map、filter和union算子 *** 作时，是属于窄依赖的第一类表现；而RDD进行join算子 *** 作（对输入进行协同划分）时，是属于窄依赖表现的第二类。这里的输入协同划分是指多个父RDD的某一个分区的所有Key，被划分到子RDD的同一分区，而不是指同一个父RDD的某一个分区，被划分到子RDD的两个分区中。当子RDD进行算子 *** 作，因为某个分区 *** 作失败导致数据丢失时，只需要重新对父RDD中对应的分区（与子RDD相对应的分区）进行算子 *** 作即可恢复数据。

       宽依赖是指子RDD的每一个分区都会使用所有父RDD的所有分区或多个分区，即OneToManyDependecies。为了便于理解，通常把宽依赖形象的比喻为超生。当RDD进行groupByKey和join *** 作时，会产生依赖。

       从上图可以看出，父RDD进行groupByKey和join（输入未协同划分）算子 *** 作时，子RDD的每一个分区都会依赖于所有父RDD的所有分区。当子RDD进行算子 *** 作，因为某个分区 *** 作失败导致数据丢失时，则需要重新对父RDD中的所有分区进行算子 *** 作才能恢复数据。

        需注意的是，join算子 *** 作既可以属于窄依赖，也可以属于宽依赖。当join算子后，分区数量没有发生变化则为窄依赖（如join with inputs co-partitioned，输入协同划分）；当join算子 *** 作后，分区数量发生变化则为宽依赖（如join with inputs not co-partitioned，输入非协同划分）。

---

总结

        以上就是今天要讲的内容，本文介绍了Spark中RDD的分区和RDD的依赖关系，而若想需要深入学习，可配合一些网络资源进行学习，同时需要在Spark中进行实践练习，加深巩固！