Spark RDD

弹性分布式数据集

弹性分布式数据集（RDD）是Spark的基础数据结构。它是一个不可变的分布式对象集合。RDD中的每个数据集都被划分为逻辑分区，这些分区可以在集群的不同节点上进行计算。RDD可以包含任何类型的Python，Java或Scala对象，包括用户定义的类。

形式上，RDD是一个只读分区的记录集合。可以通过对稳定存储或其他RDD上的数据进行确定性操作来创建RDD。RDD是可以并行操作的容错组件的容错集合。

有两种方法可以创建RDD - 并行化 驱动程序中的现有集合，或者在外部存储系统中 引用数据集 ，例如共享文件系统，HDFS，HBase或提供Hadoop输入格式的任何数据源。

Spark利用RDD的概念来实现更快更高效的MapReduce操作。让我们先讨论MapReduce操作如何发生以及为什么它们效率不高。

MapReduce中的数据共享缓慢

MapReduce被广泛用于在集群上处理和生成具有并行分布式算法的大型数据集。它允许用户使用一组高级操作员编写并行计算，而不必担心工作分配和容错。

不幸的是，在大多数当前的框架中，在计算之间重用数据的唯一方式（例如，在两个MapReduce作业之间）是将其写入外部稳定存储系统（Ex- HDFS）。虽然这个框架为访问集群的计算资源提供了许多抽象，但用户仍然需要更多。

这两个 迭代 和 交互式 应用程序需要跨并行作业更快速的数据共享。由于 复制，序列化 和 磁盘IO ，MapReduce中的数据共享缓慢。关于存储系统，大多数Hadoop应用程序，他们花费90％以上的时间来执行HDFS读写操作。

MapReduce的迭代操作

在多阶段应用程序中跨多个计算重用中间结果。下图说明了当前框架如何工作，同时在MapReduce上执行迭代操作。这由于数据复制，磁盘I / O和序列化而导致大量开销，这使得系统变慢。

MapReduce上的交互操作

用户对同一数据子集运行临时查询。每个查询将执行稳定存储上的磁盘I / O，这可以控制应用程序的执行时间。

下图说明了在MapReduce上进行交互式查询时当前框架的工作原理。

使用Spark RDD进行数据共享

由于 复制，序列化 和 磁盘IO ，MapReduce中的数据共享缓慢。大多数Hadoop应用程序中，他们花费了90％以上的时间进行HDFS读写操作。

认识到这个问题，研究人员开发了一个名为Apache Spark的专门框架。Spark的关键思想是 - [R esilient d istributed d atasets（RDD）; 它支持内存中的处理计算。这意味着，它将内存状态作为对象存储在作业中，并且对象可在这些作业之间共享。内存中的数据共享速度比网络和磁盘快10到100倍。

现在让我们试着找出Spark RDD中如何进行迭代和交互操作。

Spark RDD上的迭代操作

下图给出了Spark RDD上的迭代操作。它会将中间结果存储在分布式内存中，而不是稳定存储（Disk），并使系统更快。

注 - 如果分布式内存（RAM）不足以存储中间结果（作业的状态），则会将这些结果存储在磁盘上。

Spark RDD上的交互式操作

此插图显示Spark RDD上的交互操作。如果重复对同一组数据运行不同的查询，则可以将这些特定的数据保存在内存中以获得更好的执行时间。

默认情况下，每次对其执行操作时，每个转换后的RDD都可能会重新计算。但是，您也可以将RDD 保留 在内存中，在这种情况下，Spark会保留群集中的元素，以便在下次查询时快速访问。还支持在磁盘上保存RDD，或在多个节点上复制RDD。

Spark 是 Hadoop 的子项目。因此，最好将 Spark 安装到基于Linux的系统中。以下步骤显示如何安装Apache Spark。 第1步：验证Java安装Java安装是安装Spark的强制性内容之一 ...