PySpark实战：用PySpark建立第一个Spark RDD

何谓RDD

Apache Spark的核心组件的基础就是RDD.所谓的RDD ,即弹性分布式数据集(Resilient Distrbuted Datasets)，基于RDD可以实现Apache Spark各个组件在多个计算机组成的集群中进行无缝集成，从而能够在一个应用程序中完成海量数据处理。

与MapReduce比较

RDD 相对于MapReduce来说：

• 具有更强的计算能力
• 中间结果存于内存中，性能更快

RDD的本质

RDD 从本质上说，是一个只读的分区数据集合

Spark相关操作只需操作RDD即可。

一个RDD的不同分区可以保存到Spark集群的不同节点（Work Node)上，从而发挥集群的强大计算能力。

RDD在计算的时候，每个分区都会起一个task，所以rdd的分区数目决定了总的的task数目。
申请的计算节点（Executor）数目和每个计算节点核数，决定了你同一时刻可以并行执行的task。
 

比如的RDD有100个分区，那么计算的时候就会生成100个task，你的资源配置为10个计算节点，每个两2个核，同一时刻可以并行的task数目为20，计算这个RDD就需要5个轮次。如果计算资源不变，你有101个task的话，就需要6个轮次，在最后一轮中，只有一个task在执行，其余核都在空转。
 

如果资源不变，你的RDD只有2个分区，那么同一时刻只有2个task运行，其余18个核空转，造成资源浪费。

这就是在spark调优中，增大RDD分区数目（即增大了task数量），增大任务并行度的做法。

RDD的特点

将数据实际映射到不同的Spark节点上，这从理论上解决了RDD可以处理海量数据的问题

一般来说，RDD具有如下特点：

• 只能读不能修改：通过转换操作生成一个RDD
• 分布式存储：一个RDD通过分区可以分布在多台机器上并进行数据处理
• 内存计算:将全部或部分数据缓存在内存中，且可在多次计算过程中重用
• 具有弹性：当内存不足时，部分数据在磁盘上处理

一般来说，借助RDD，开发人员无须关注底层数据的分布式处理过程如何实现，而只需关注业务逻辑是什么，

Spark中建立RDD的几种方式

• 用parallelize方法建立RDD
• 用range方法建立RDD
• 使用textFile建立RDD
• 使用HDFS建立RDD