【Spark Core】02 RDD的创建

【Spark Core】02 RDD的创建

1.从内存集合中创建RDD

• 从集合中创建RDD，Spark主要提供了两个方法：parallelize和makeRDD

val sparkConf =
    new SparkConf().setMaster("local[*]").setAppName("spark")
val sparkContext = new SparkContext(sparkConf)
val rdd1 = sparkContext.parallelize(
    List(1,2,3,4)
)
val rdd2 = sparkContext.makeRDD(
    List(1,2,3,4)
)
rdd1.collect().foreach(println)
rdd2.collect().foreach(println)
sparkContext.stop()

• local[*]表示用机器的CPU核数模拟多线程执行计算任务，local表示用单核

• 并行和并发：当电脑有两个CPU核的时候，并行度就是2，如果有4个task，那么并行度也只能是2，剩下的就是并发执行了

• 从底层代码实现来讲，makeRDD方法其实就是parallelize方法

def makeRDD[T: ClassTag](
    seq: Seq[T],
    numSlices: Int = defaultParallelism): RDD[T] = withScope {
  parallelize(seq, numSlices)
}

2.从内存中创建RDD的并行度

（1）RDD并行度

• 默认情况下，Spark可以将一个作业切分多个任务后，发送给Executor节点并行计算，而能够并行计算的任务数量我们称之为并行度。
• 这个数量可以在构建RDD时指定。记住，并行度 = 并行执行的任务数量，并不是指的切分任务的数量，不要混淆了。
• 三个分区，对应三个Task，但是只有一个Executor，单核，那么无法并行执行，只能并发执行，所以分区和并行度不能划等号。

（2）makeRDD创建RDD分区的数量

• makeRDD方法第二个参数表示分区的个数，不传递参数那么会使用默认参数defaultParallism，Spark会从配置对象SparkConf中获取配置参数：spark.defaultParallism。如果获取不到，那么使用totalCores属性，此属性取值为当前Spark运行环境的最大可用核数。这里是local，所以是本地机器的CPU个数。
  1.默认：Spark运行环境的core个数
  2.手动指定：在SparkConf对象中配置核数：sparkConf.set(“spark.defaul.parallelism”,”5”)

val sparkConf =
    new SparkConf().setMaster("local[*]").setAppName("spark")
val sparkContext = new SparkContext(sparkConf)
val dataRDD: RDD[Int] =
    sparkContext.makeRDD(
        List(1,2,3,4),
        4)
        
val fileRDD: RDD[String] =
    sparkContext.textFile(
        "input",
        2)
fileRDD.collect().foreach(println)
sparkContext.stop()

3. 从内存中创建RDD分区数据的分配

从内存中创建RDD，数据是如何分配到各个分区中的
数据分区规则的Spark核心源码如下：

def positions(length: Long, numSlices: Int): Iterator[(Int, Int)] = {
  (0 until numSlices).iterator.map { i =>
    val start = ((i * length) / numSlices).toInt
    val end = (((i + 1) * length) / numSlices).toInt
    (start, end)
  }
}

Length=5,nums=3, i = 0 1 2
i=0=>[0,1) =>1
i=1=>[1,3) =>2,3
i=2=>[3,5) => 4,5

4.从外部存储（文件）创建RDD

由外部存储系统的数据集创建RDD包括：本地的文件系统，所有Hadoop支持的数据集，比如HDFS、Hbase等。

• textFile()中的路径默认以当前环境的根路径为基准，可以写相对路径也可以写绝对路径，而且也可以写目录路径，读取目录下的多个文件
• Path也可以写通配符 textFile(“datas/1*.txt”)
• Path也可以是分布式存储系统路径：HDFS: hdfs://hadoop102:8020/text.txt

val sparkConf =
    new SparkConf().setMaster("local[*]").setAppName("spark")
val sparkContext = new SparkContext(sparkConf)
val fileRDD: RDD[String] = sparkContext.textFile("input")
fileRDD.collect().foreach(println)
sparkContext.stop()

5.从外部存储（文件）创建RDD-2

• wholeTextFile(path)方法：path和textFile方法一样。
• textFile()以行为单位来读取数据，wholeTextFile以文件为单位读取数据，读取到的都是字符串
• 读取的结果是一个tuple，第一个元素为文件路径，第二个元素为文件内容
  
  Hello world 后面有换行，所以输出的这里也有换行

6. 从文件中创建RDD分区个数的计算规则

从文件创建RDD使用的是Hadoop中的TextFileInputStream，切片规则是一样的。
(1) 默认分区数计量： math.min(defaultParallelism,2)
即运行环境的CPU核数和2的最小值
(2) 指定分区数量：
a) totalSize: 目录下所有文件或者文件的总共字节数
b) goalSize: 每个分区应该存储的字节数。totalSize除以设定的分区数
c) splitSize : Math.max(minSize, Math.min(goalSize, blockSize));
d) 对文件按照splitSize进行切片，当剩余的文件字节数<1.1* splitSize，就不切了。

举例说明：7字节的文件，指定2个分区，实际上得到的是3个分区
totalSize= 7 goalSize=7/2=3 :   最终3个分区的大小分别为：3 3 1

public InputSplit[] getSplits(JobConf job, int numSplits)
    throws IOException {

    long totalSize = 0;                           // compute total size
    for (FileStatus file: files) {                // check we have valid files
      if (file.isDirectory()) {
        throw new IOException("Not a file: "+ file.getPath());
      }
      totalSize += file.getLen();
    }

    long goalSize = totalSize / (numSplits == 0 ? 1 : numSplits);
    long minSize = Math.max(job.getLong(org.apache.hadoop.mapreduce.lib.input.
      FileInputFormat.SPLIT_MINSIZE, 1), minSplitSize);
      
    ...
    
    for (FileStatus file: files) {
    
        ...
    //判断是否切片
    if (isSplitable(fs, path)) {
          long blockSize = file.getBlockSize();
          long splitSize = computeSplitSize(goalSize, minSize, blockSize);

          ...

  }
  protected long computeSplitSize(long goalSize, long minSize,
                                       long blockSize) {
    return Math.max(minSize, Math.min(goalSize, blockSize));
  }

7.从文件中创建RDD分区数据的分配规则

(1) 分区是按行获取文件中的数据
(2) 每个分区获取哪些行呢？
根据偏移量的范围确定获取哪些行。第一个字节的偏移量为0，一个字节对应1个单位的偏移量。

• 0号分区偏移量范围：[0,0+goalSize],0号分区获取偏移量0和偏移量goalSize所在的行的全部数据。
• 1号分区偏移量范围：[goalSize,goalSize+goalSize]，1号分区获取偏移量goalSize所在行的下一行到2*goalSize所在行的全部数据。
  

(3) 如果数据源是多个文件，那么是以文件为单位进行分区的。（以文件为单位切片）