浅谈Spark RDD | TUNANのBlog

记得去年的一次面试，面试官让我谈谈对RDD的理解，RDD这东西叫做弹性分布式数据集，是Spark的核心概念

它是分布式的，可以分布在多台机器上，进行计算

它是弹性的，计算过程中内存不够时它会和磁盘进行数据交换

它表示已被分区，不可变的并能够被并行操作的数据集合

这些特性，想必大家都能说出来，我也是这么回答的，觉得问题很简单，可面试官回复我：仅看过几篇文章的人，也能有和你同样的回答，你对于RDD有独到的理解吗？

当时理解的太浅，回去后，就补习了一番

今天就来谈一谈对RDD的理解

先看一下官方在源码中对RDD的注释：

* Internally, each RDD is characterized by five main properties:
 *   
 *  - A list of partitions  一个分区的列表
 *  - A function for computing each split  一个计算每个分区的函数，即RDD的分片函数
 *  - A list of dependencies on other RDDs    RDD之间的依赖关系 
 *  - Optionally, a Partitioner for key-value RDDs (e.g. to say that the RDD is hash-partitioned)    可选：一个Partitioner
 *  - Optionally, a list of preferred locations to compute each split on (e.g. block locations for
 *    an HDFS file)    可选：一个列表，存储存取每个Partition的优先位置
 *
 * All of the scheduling and execution in Spark is done based on these methods, allowing each RDD
 * to implement its own way of computing itself. Indeed, users can implement custom RDDs (e.g. for
 * reading data from a new storage system) by overriding these functions. Please refer to the
 * [[http://www.cs.berkeley.edu/~matei/papers/2012/nsdi_spark.pdf Spark paper]] for more details
 * on RDD internals.
 */

通过官方的注释，我们可以了解到，每个RDD都有五个重要的属性

一个分区的列表。我们可以理解为是一组分片，分片就是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。用户创建RDD时，可以指定RDD的分片个数，若没有指定，则采用默认（默认值：程序所分配的CPU Cores数目），下图描述了分区存储的计算模型，每个分配的存储是有BlockManager实现的。每个分区都会被逻辑映射成BlockManager的一个block，而这个block会被一个Task负责计算。

一个计算每个分区的函数。即RDD的计算分片compute函数，Spark中的RDD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核，不需要保存每次计算的结果。

RDD之间的依赖关系。这里要说一下RDD的依赖关系

RDD和它的依赖的parent RDD(s)的关系有两种不同的类型，即宽依赖和窄依赖

● 窄依赖指的是每一个parent RDD的partition最多被子RDD的一个partition使用

● 宽依赖是指多个子RDD的partition会依赖同一个parent RDD的partition

接下来，从不同类型的转换来进一步理解RDD的窄依赖和宽依赖的区别，如下图所示。

对于map和filter形式的转换来说，它们只是将Partition的数据根据转换的规则进行转化，并不涉及其他的处理，可以简单地认为只是将数据从一个形式转换到另一个形式。

对于union，只是将多个RDD合并成一个，parent RDD的Partition(s)不会有任何的变化，可以认为只是把parent RDD的Partition(s)简单进行复制与合并。

对于join，如果每个Partition仅仅和已知的、特定的Partition进行join，那么这个依赖关系也是窄依赖。对于这种有规则的数据的join，并不会引入昂贵的Shuffle。

对于窄依赖，由于RDD每个Partition依赖固定数量的parent RDD(s)的Partition(s)，因此可以通过一个计算任务来处理这些Partition，并且这些Partition相互独立，这些计算任务也就可以并行执行了。

对于groupByKey，子RDD的所有Partition(s)会依赖于parent RDD的所有Partition(s)，子RDD的Partition是parent RDD的所有Partition Shuffle的结果，因此这两个RDD是不能通过一个计算任务来完成的。同样，对于需要parent RDD的所有Partition进行join的转换，也是需要Shuffle，这类join的依赖就是宽依赖而不是前面提到的窄依赖了。

不同的操作依据其特性，可能会产生不同的依赖。例如map、filter操作会产生 narrow dependency 。reduceBykey操作会产生 wide / shuffle dependency。

通俗点来说，RDD的每个Partition，仅仅依赖于父RDD中的一个Partition，这才是窄。就这么简单！

反正，子Rdd的partition和父Rdd的Partition如果是一对一就是窄依赖，这样理解就好区分了　　　　　　　　　

捋一下这里的源码：

所有的依赖都要实现

trait Dependency[T]：
abstract class Dependency[T] extends Serializable {
    def rdd: RDD[T]
}

其中rdd就是依赖的parent RDD。

对于窄依赖的实现（有两种）

abstract class NarrowDependency[T](_rdd: RDD[T]) extends Dependency[T] {
    //返回子RDD的partitionId依赖的所有的parent RDD的Partition(s)
    def getParents(partitionId: Int): Seq[Int]
    override def rdd: RDD[T] = _rdd
}

窄依赖是有两种具体实现，分别如下：

一种是一对一的依赖，即OneToOneDependency：

class OneToOneDependency[T](rdd: RDD[T]) extends NarrowDependency[T](rdd) {
    override def getParents(partitionId: Int) = List(partitionId)
    通过getParents的实现不难看出，RDD仅仅依赖于parent RDD相同ID的Partition。

还有一个是范围的依赖，即RangeDependency，它仅仅被org.apache.spark.rdd.UnionRDD使用。UnionRDD是把多个RDD合成一个RDD，这些RDD是被拼接而成，即每个parent RDD的Partition的相对顺序不会变，只不过每个parent RDD在UnionRDD中的Partition的起始位置不同。因此它的getPartents如下：

override def getParents(partitionId: Int) = {
    if(partitionId >= outStart && partitionId < outStart + length) {
       List(partitionId - outStart + inStart)
    } else {
       Nil
    }
}

其中，inStart是parent RDD中Partition的起始位置，outStart是在UnionRDD中的起始位置，length就是parent RDD中Partition的数量。

对于宽依赖的实现（只有一种）

宽依赖的实现只有一种：ShuffleDependency。子RDD依赖于parent RDD的所有Partition，因此需要Shuffle过程：

class ShuffleDependency[K, V, C](
    @transient _rdd: RDD[_ <: Product2[K, V]],
    val partitioner: Partitioner,
    val serializer: Option[Serializer] = None,
    val keyOrdering: Option[Ordering[K]] = None,
    val aggregator: Option[Aggregator[K, V, C]] = None,
    val mapSideCombine: Boolean = false)
extends Dependency[Product2[K, V]] {
 
override def rdd = _rdd.asInstanceOf[RDD[Product2[K, V]]]
//获取新的shuffleId
val shuffleId: Int = _rdd.context.newShuffleId()
//向ShuffleManager注册Shuffle的信息
val shuffleHandle: ShuffleHandle =
_rdd.context.env.shuffleManager.registerShuffle(
    shuffleId, _rdd.partitions.size, this)
    _rdd.sparkContext.cleaner.foreach(_.registerShuffleForCleanup(this))
}

注意：宽依赖支持两种Shuffle Manager。

即org.apache.spark.shuffle.hash.HashShuffleManager（基于Hash的Shuffle机制）和org.apache.spark.shuffle.sort.SortShuffleManager（基于排序的Shuffle机制）。

可选：KV RDD可重分区。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key-value的RDD才会有Partitioner，非key-value的RDD的Partitioner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。
可选：移动计算，存储存取每个Partition的优先位置。对于一个HDFS文件来说，这个列表保存的就是每个Partition所在块的位置。