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。RDD具有数据流模型的特点：自动容错、位置感知性调度和可伸缩性。RDD允许用户在执行多个查询时显式地将工作集缓存在内存中，后续的查询能够重用工作集，这极大地提升了查询速度。
一组分片（Partition） 即数据集的基本组成单位。对于RDD来说，每个分片都会被一个计算任务处理，并决定并行计算的粒度。用户可以在创建RDD时指定RDD的分片个数，如果没有指定，那么就会采用默认值。默认值就是程序所分配到的CPU Core的数目。
一个计算每个分区的函数。 Spark中RDD的计算是以分片为单位的，每个RDD都会实现compute函数以达到这个目的。compute函数会对迭代器进行复合，不需要保存每次计算的结果。
RDD之间的依赖关系。 RDD的每次转换都会生成一个新的RDD，所以RDD之间就会形成类似于流水线一样的前后依赖关系。在部分分区数据丢失时，Spark可以通过这个依赖关系重新计算丢失的分区数据，而不是对RDD的所有分区进行重新计算。
一个Partitioner，即RDD的分片函数。 当前Spark中实现了两种类型的分片函数，一个是基于哈希的HashPartitioner，另外一个是基于范围的RangePartitioner。只有对于于key-value的RDD，才会有Partitioner，非key-value的RDD的Parititioner的值是None。Partitioner函数不但决定了RDD本身的分片数量，也决定了parent RDD Shuffle输出时的分片数量。
一个列表， 存储存取每个Partition的优先位置（preferred location）。对于一个HDFS文件来说，这个列表保存的就是每个Partition所在的块的位置。按照“移动数据不如移动计算”的理念，Spark在进行任务调度的时候，会尽可能地将计算任务分配到其所要处理数据块的存储位置。
val rdd1 = sc.textFile(“hdfs://192.168.88.111:9000/data/data.txt”)
通过sc.parallelize进行创建val rdd1 = sc.parallelize(Array(1,2,3,4,5,6,7,8))
Spark算子示例
1、RDD的创建方式 通过外部的数据文件创建，如HDFS val rdd1 = sc.textFile(“hdfs://192.168.88.111:9000/data/data.txt”) 通过sc.parallelize进行创建 val rdd1 = sc.parallelize(Array(1,2,3,4,5,6,7,8)) 2、RDD的算子 （1）Transformation算子： （*）map（func）算子: 将输入的每个元素重写组合成一个元组 val rdd2 = rdd1.map((_,"*")) 乘以10 val rdd2 = rdd1.map((_ * 10)) val rdd2 = rdd1.map((x:Int) = x + 10) （*）filter（func）：返回一个新的RDD，该RDD是经过func运算后返回true的元素 val rdd3 = rdd1.filter(_ > 5) （*）flatMap(func) 压平操作 val books = sc.parallelize(List("Hadoop","Hive","HDFS")) books.flatMap(_.toList).collect 结果：res18: Array[Char] = Array(H, a, d, o, o, p, H, i, v, e, H, D, F, S) val sen = sc.parallelize(List("I love Beijing","I love China","Beijing is the capital of China")) （*）union(otherDataset)：并集运算,注意类型要一致 val rdd4 = sc.parallelize(List(5,6,4,7)) val rdd5 = sc.parallelize(List(1,2,3,4)) val rdd6 = rdd4.union(rdd5) （*）intersection(otherDataset)：交集 val rdd7 = rdd5.intersection(rdd4) （*）distinct([numTasks]))：去掉重复数据 val rdd8 = sc.parallelize(List(5,6,4,7,5,5,5)) rdd8.distinct.collect （*）groupByKey([numTasks]) ：对于一个<k,v>的RDD，按照Key进行分组 val rdd = sc.parallelize(Array(("I",1),("love",2),("I",3))) rdd.groupByKey.collect 结果：res38: Array[(String, Iterable[Int])] = Array((love,CompactBuffer(2)), (I,CompactBuffer(1, 3))) 复杂一点的例子： val sen = sc.parallelize(List("I love Beijing","I love China","Beijing is the capital of China")) sen.flatMap(_.split(" ")).map((_,1)).groupByKey.collect （*）reduceByKey(func, [numTasks])：类似于groupByKey，区别是reduceByKey会有一个combiner的过程对每个分区上的数据先做一次合并 画图说明，所以效率更高 （*）cartesian笛卡尔积 val rdd1 = sc.parallelize(List("tom", "jerry")) val rdd2 = sc.parallelize(List("tom", "kitty", "shuke")) val rdd3 = rdd1.cartesian(rdd2) （2）Action算子： val rdd1 = sc.parallelize(List(1,2,3,4,5), 2) （*）collect rdd1.collect （*）reduce val rdd2 = rdd1.reduce(_+_) （*）count rdd1.count （*）top rdd1.top(2) （*）take rdd1.take(2) （*）first(similer to take(1)) rdd1.first （*）takeOrdered rdd1.takeOrdered(3)RDD中的所有转换都是****延迟加载****的，也就是说，它们并不会直接计算结果。相反的，它们只是记住这些应用到基础数据集（例如一个文件）上的转换动作。只有当发生一个要求返回结果给Driver的动作时，这些转换才会真正运行。这种设计让Spark更加有效率地运行。
*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]****sample****(withReplacement, fraction, seed)根据fraction指定的比例对数据进行采样，可以选择是否使用随机数进行替换，seed用于指定随机数生成器种子****union****(otherDataset)对源RDD和参数RDD求并集后返回一个新的RDD****intersection****(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****aggregateByKey****(zeroValue)(seqOp,combOp,[numTasks])****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****cartesian****(otherDataset)笛卡尔积****pipe****(command, [envVars])*coalesce****(numPartitions*)********repartition****(numPartitions)****repartitionAndSortWithinPartition********s****(partitioner)RDD通过persist方法或cache方法可以将前面的计算结果缓存，但是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。
通过查看源码发现cache最终也是调用了persist方法，默认的存储级别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。
缓存有可能丢失，或者存储存储于内存的数据由于内存不足而被删除，RDD的缓存容错机制保证了即使缓存丢失也能保证计算的正确执行。通过基于RDD的一系列转换，丢失的数据会被重算，由于RDD的各个Partition是相对独立的，因此只需要计算丢失的部分即可，并不需要重算全部Partition。
l **Demo示例：**
l **通过UI进行监控：**
检查点（本质是通过将RDD写入Disk做检查点）是为了通过lineage（血统）做容错的辅助，lineage过长会造成容错成本过高，这样就不如在中间阶段做检查点容错，如果之后有节点出现问题而丢失分区，从做检查点的RDD开始重做Lineage，就会减少开销。
设置checkpoint的目录，可以是本地的文件夹、也可以是HDFS。一般是在具有容错能力，高可靠的文件系统上(比如HDFS, S3等)设置一个检查点路径，用于保存检查点数据。
分别举例说明：
l *本地目录*
l *HDFS的目录*
注意：这种模式，需要将spark-shell运行在集群模式上
l *源码中的一段话*
l *RDD的依赖关系*
RDD和它依赖的父RDD（s）的关系有两种不同的类型，即窄依赖（narrow dependency）和宽依赖（wide dependency）。
Ø 窄依赖指的是每一个父RDD的Partition最多被子RDD的一个Partition使用
总结：窄依赖我们形象的比喻为***\*独生子女\****Ø 宽依赖指的是多个子RDD的Partition会依赖同一个父RDD的Partition
总结：窄依赖我们形象的比喻为***\*超生\****l *Spark任务中的Stage*
DAG(Directed Acyclic Graph)叫做有向无环图，原始的RDD通过一系列的转换就就形成了DAG，根据RDD之间的依赖关系的不同将DAG划分成不同的Stage，对于窄依赖，partition的转换处理在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，因此宽依赖是划分Stage的依据。
Ø *练习1：*
//通过并行化生成rdd
val rdd1 = sc.parallelize(List(5, 6, 4, 7, 3, 8, 2, 9, 1, 10)) //对rdd1里的每一个元素乘2然后排序 val rdd2 = rdd1.map(_ * 2).sortBy(x => x, true) //过滤出大于等于十的元素 val rdd3 = rdd2.filter(_ >= 10) //将元素以数组的方式在客户端显示 rdd3.collectØ *练习2：*
val rdd1 = sc.parallelize(Array("a b c", "d e f", "h i j")) //将rdd1里面的每一个元素先切分在压平 val rdd2 = rdd1.flatMap(_.split(' ')) rdd2.collectØ *练习3：*
val rdd1 = sc.parallelize(List(5, 6, 4, 3)) val rdd2 = sc.parallelize(List(1, 2, 3, 4)) //求并集 val rdd3 = rdd1.union(rdd2) //求交集 val rdd4 = rdd1.intersection(rdd2) //去重 rdd3.distinct.collect rdd4.collectØ *练习4：*
val rdd1 = sc.parallelize(List(("tom", 1), ("jerry", 3), ("kitty", 2))) val rdd2 = sc.parallelize(List(("jerry", 2), ("tom", 1), ("shuke", 2))) //求jion val rdd3 = rdd1.join(rdd2) rdd3.collect //求并集 val rdd4 = rdd1 union rdd2 //按key进行分组 rdd4.groupByKey rdd4.collectØ *练习5：*
val rdd1 = sc.parallelize(List(("tom", 1), ("tom", 2), ("jerry", 3), ("kitty", 2))) val rdd2 = sc.parallelize(List(("jerry", 2), ("tom", 1), ("shuke", 2))) //cogroup val rdd3 = rdd1.cogroup(rdd2) //注意cogroup与groupByKey的区别 rdd3.collectØ *练习6：*
val rdd1 = sc.parallelize(List(1, 2, 3, 4, 5)) //reduce聚合 val rdd2 = rdd1.reduce(_ + _) rdd2.collectØ *练习7：*
val rdd1 = sc.parallelize(List(("tom", 1), ("jerry", 3), ("kitty", 2), ("shuke", 1))) val rdd2 = sc.parallelize(List(("jerry", 2), ("tom", 3), ("shuke", 2), ("kitty", 5))) val rdd3 = rdd1.union(rdd2) //按key进行聚合 val rdd4 = rdd3.reduceByKey(_ + _) rdd4.collect //按value的降序排序 val rdd5 = rdd4.map(t => (t._2, t._1)).sortByKey(false).map(t => (t._2, t._1)) rdd5.collect把每个partition中的分区号和对应的值拿出来
接收一个函数参数：
第一个参数：分区号
第二个参数：分区中的元素
示例：将每个分区中的元素和分区号打印出来。
val rdd1 = sc.parallelize(List(1,2,3,4,5,6,7,8,9), 2)
创建一个函数返回RDD中的每个分区号和元素：
def func1(index:Int, iter:Iterator[Int]):Iterator[String] ={
iter.toList.map( x => "[PartID:" + index + ", value=" + x + "]" ).iterator}
调用：rdd1.mapPartitionsWithIndex(func1).collect
先对局部聚合，再对全局聚合
示例：val rdd1 = sc.parallelize(List(1,2,3,4,5), 2)
查看每个分区中的元素：
将每个分区中的最大值求和，注意：初始值是0；
如果初始值时候10，则结果为：30
如果是求和，注意：初始值是0：
如果初始值是10，则结果是：45
一个字符串的例子：
val rdd2 = sc.parallelize(List("a","b","c","d","e","f"),2)
修改一下刚才的查看分区元素的函数
def func2(index: Int, iter: Iterator[(String)]) : Iterator[String] = { iter.toList.map(x => "[partID:" + index + ", val: " + x + "]").iterator } 两个分区中的元素：
[partID:0, val: a], [partID:0, val: b], [partID:0, val: c],
[partID:1, val: d], [partID:1, val: e], [partID:1, val: f]
运行结果：
更复杂一点的例子
val rdd3 = sc.parallelize(List("12","23","345","4567"),2) rdd3.aggregate("")((x,y) => math.max(x.length, y.length).toString, (x,y) => x + y)结果可能是：”24”，也可能是：”42”
val rdd4 = sc.parallelize(List("12","23","345",""),2) rdd4.aggregate("")((x,y) => math.min(x.length, y.length).toString, (x,y) => x + y)结果是：”10”，也可能是”01”，
原因：注意有个初始值””，其长度0，然后0.toString变成字符串
val rdd5 = sc.parallelize(List("12","23","","345"),2) rdd5.aggregate("")((x,y) => math.min(x.length, y.length).toString, (x,y) => x + y)结果是：”11”，原因同上。
示例：
将每个分区中的动物最多的个数求和 scala> pairRDD.aggregateByKey(0)(math.max(_, _), _ + _).collect res69: Array[(String, Int)] = Array((dog,12), (cat,17), (mouse,6)) 将每种动物个数求和 scala> pairRDD.aggregateByKey(0)(_+_, _ + _).collect res71: Array[(String, Int)] = Array((dog,12), (cat,19), (mouse,6)) 这个例子也可以使用：reduceByKey scala> pairRDD.reduceByKey(_+_).collect res73: Array[(String, Int)] = Array((dog,12), (cat,19), (mouse,6))都是将RDD中的分区进行重分区。
区别是：coalesce默认不会进行shuffle（false）；而repartition会进行shuffle（true），即：会将数据真正通过网络进行重分区。
示例：
def func4(index: Int, iter: Iterator[(Int)]) : Iterator[String] = { iter.toList.map(x => "[partID:" + index + ", val: " + x + "]").iterator } val rdd1 = sc.parallelize(List(1,2,3,4,5,6,7,8,9), 2)下面两句话是等价的：
val rdd2 = rdd1.repartition(3) val rdd3 = rdd1.coalesce(3,true) --->如果是false，查看RDD的length依然是2参考：http://homepage.cs.latrobe.edu.au/zhe/ZhenHeSparkRDDAPIExamples.html
