[[441977]]

用了這么久spark了，今天總結(jié)下他的一些優(yōu)化方面的核心原理，今天我們分這么幾個方面來談:

一.RDD

RDD是彈性分布式數(shù)據(jù)集的簡稱，他是其他后來者，比如DataFrame,DataSet等的基礎(chǔ)。他有四大核心屬性，如下所示。

這4 大屬性又可以劃分為兩類，橫向?qū)傩院涂v向?qū)傩?。其中，橫向?qū)傩藻^定數(shù)據(jù)分片實體，并規(guī)定了數(shù)據(jù)分片在分布式集群中如何分布。

縱向?qū)傩杂糜谠诳v深方向構(gòu)建 DAG，通過提供重構(gòu) RDD 的容錯能力保障內(nèi)存計算的穩(wěn)定性。

其實RDD還有個特性:優(yōu)先位置列表.算上他總共有5大特性。白話文總結(jié)就是:3個列表，2個函數(shù)。3個列表是分區(qū)列表，依賴列表和優(yōu)先位置列表;2個函數(shù)就是：計算函數(shù)和分區(qū)函數(shù)。

二.內(nèi)存計算

在 Spark 中，內(nèi)存計算有兩層含義：第一層含義就是眾所周知的分布式數(shù)據(jù)緩存，第二層含義是 Stage 內(nèi)的流水線式計算模式。

流水線計算模式指的是：在同一 Stage 內(nèi)部，所有算子融合為一個函數(shù)，Stage 的輸出結(jié)果由這個函數(shù)一次性作用在輸入數(shù)據(jù)集而產(chǎn)生。

所謂內(nèi)存計算，不僅僅是指數(shù)據(jù)可以緩存在內(nèi)存中，更重要的是，通過計算的融合來大幅提升數(shù)據(jù)在內(nèi)存中的轉(zhuǎn)換效率，進(jìn)而從整體上提升應(yīng)用的執(zhí)行性能。

比如這個栗子:

如圖所示，在上面的計算流程中，如果你把流水線看作是內(nèi)存，每一步操作過后都會生成臨時數(shù)據(jù)，如圖中的 clean 和 slice，這些臨時數(shù)據(jù)都會緩存在內(nèi)存里。但在下面的內(nèi)存計算中，所有操作步驟如 clean、slice、bake，都會被捏合在一起構(gòu)成一個函數(shù)。這個函數(shù)一次性地作用在“帶泥土豆”上，直接生成“即食薯片”，在內(nèi)存中不產(chǎn)生任何中間數(shù)據(jù)形態(tài)。

補(bǔ)充下:從程序員的視角出發(fā)，DAG 的構(gòu)建是通過在分布式數(shù)據(jù)集上不停地調(diào)用算子來完成的，DAG 以 Actions 算子為起點(diǎn)，從后向前回溯，以 Shuffle 操作為邊界，劃分出不同的 Stages。同一 Stage 內(nèi)所有算子融合為一個函數(shù)，Stage 的輸出結(jié)果由這個函數(shù)一次性作用在輸入數(shù)據(jù)集而產(chǎn)生。