首页 > 代码库 > Spark RDD

Spark RDD

原文:http://www.tuicool.com/articles/r22YBr

RDD

RDD初始参数:上下文和一组依赖

abstract class RDD[T: ClassTag](    @transient private var sc: SparkContext,    @transient private var deps: Seq[Dependency[_]]  ) extends Serializable

以下需要仔细理清:

A list of Partitions

Function to compute split (sub RDD impl)

A list of Dependencies

Partitioner for K-V RDDs (Optional)

Preferred locations to compute each spliton (Optional)

Dependency

Dependency代表了RDD之间的依赖关系,即血缘

RDD中的使用

RDD给子类提供了getDependencies方法来制定如何依赖父类RDD

protected def getDependencies: Seq[Dependency[_]] = deps

事实上,在获取first parent的时候,子类经常会使用下面这个方法

protected[spark] def firstParent[U: ClassTag] = {  dependencies.head.rdd.asInstanceOf[RDD[U]]}

可以看到,Seq里的第一个dependency应该是直接的parent,从而从第一个dependency类里获得了rdd,这个rdd就是父RDD。

一般的RDD子类都会这么实现compute和getPartition方法,以SchemaRDD举例:

override def compute(split: Partition, context: TaskContext): Iterator[Row] =    firstParent[Row].compute(split, context).map(_.copy())override def getPartitions: Array[Partition] = firstParent[Row].partitions

compute()方法调用了第一个父类的compute,把结果RDD copy返回

getPartitions返回的就是第一个父类的partitions

下面看一下Dependency类及其子类的实现。

宽依赖和窄依赖

abstract class Dependency[T](val rdd: RDD[T]) extends Serializable

Dependency里传入的rdd,就是父RDD本身。

继承结构如下:



NarrowDependency代表窄依赖,即父RDD的分区,最多被子RDD的一个分区使用。所以支持并行计算。

子类需要实现方法:

def getParents(partitionId: Int): Seq[Int]

OneToOneDependency表示父RDD和子RDD的分区依赖是一对一的。

RangeDependency表示在一个range范围内,依赖关系是一对一的,所以初始化的时候会有一个范围,范围外的partitionId,传进去之后返回的是Nil。

下面介绍宽依赖。

class ShuffleDependency[K, V](    @transient rdd: RDD[_ <: Product2[K, V]],    val partitioner: Partitioner,    val serializer: Serializer = null)  extends Dependency(rdd.asInstanceOf[RDD[Product2[K, V]]]) {  // 上下文增量定义的Id  val shuffleId: Int = rdd.context.newShuffleId()  // ContextCleaner的作用和实现在SparkContext章节叙述  rdd.sparkContext.cleaner.foreach(_.registerShuffleForCleanup(this))}

宽依赖针对的RDD是KV形式的,需要一个partitioner指定分区方式(下一节介绍),需要一个序列化工具类,序列化工具目前的实现如下:



宽依赖和窄依赖对失败恢复时候的recompute有不同程度的影响,宽依赖可能是要全部计算的。

Partition

Partition具体表示RDD每个数据分区。

Partition提供trait类,内含一个index和hashCode()方法,具体子类实现与RDD子类有关,种类如下:


在分析每个RDD子类的时候再涉及。

Partitioner

Partitioner决定KV形式的RDD如何根据key进行partition


abstract class Partitioner extends Serializable {  def numPartitions: Int // 总分区数  def getPartition(key: Any): Int}

在ShuffleDependency里对应一个Partitioner,来完成宽依赖下,子RDD如何获取父RDD。

默认Partitioner

Partitioner的伴生对象提供defaultPartitioner方法,逻辑为:

传入的RDD(至少两个)中,遍历(顺序是partition数目从大到小)RDD,如果已经有Partitioner了,就使用。如 果RDD们都没有Partitioner,则使用默认的HashPartitioner。而HashPartitioner的初始化partition数 目,取决于是否设置了spark.default.parallelism,如果没有的话就取RDD中partition数目最大的值。

如果上面这段文字看起来费解,代码如下:

def defaultPartitioner(rdd: RDD[_], others: RDD[_]*): Partitioner = {    val bySize = (Seq(rdd) ++ others).sortBy(_.partitions.size).reverse    for (r <- bySize if r.partitioner.isDefined) {      return r.partitioner.get    }    if (rdd.context.conf.contains("spark.default.parallelism")) {      new HashPartitioner(rdd.context.defaultParallelism)    } else {      new HashPartitioner(bySize.head.partitions.size)    }  }

HashPartitioner

HashPartitioner基于java的Object.hashCode。会有个问题是Java的Array有自己的 hashCode,不基于Array里的内容,所以RDD[Array[_]]或RDD[(Array[_], _)]使用HashPartitioner会有问题。

顾名思义,getPartition方法实现如下

def getPartition(key: Any): Int = key match {    case null => 0    case _ => Utils.nonNegativeMod(key.hashCode, numPartitions)  }

RangePartitioner

RangePartitioner处理的KV RDD要求Key是可排序的,即满足Scala的Ordered[K]类型。所以它的构造如下:

class RangePartitioner[K <% Ordered[K]: ClassTag, V](    partitions: Int,    @transient rdd: RDD[_ <: Product2[K,V]],    private val ascending: Boolean = true)  extends Partitioner {

内部会计算一个rangBounds(上界),在getPartition的时候,如果rangBoundssize小于1000,则逐个遍历获得;否则二分查找获得partitionId。

Persist

默认cache()过程是将RDD persist在内存里,persist()操作可以为RDD重新指定StorageLevel,

class StorageLevel private(  private var useDisk_ : Boolean,  private var useMemory_ : Boolean,  private var useOffHeap_ : Boolean,  private var deserialized_ : Boolean,  private var replication_ : Int = 1)
object StorageLevel {  val NONE = new StorageLevel(false, false, false, false)  val DISK_ONLY = new StorageLevel(true, false, false, false)  val DISK_ONLY_2 = new StorageLevel(true, false, false, false, 2)  val MEMORY_ONLY = new StorageLevel(false, true, false, true)  val MEMORY_ONLY_2 = new StorageLevel(false, true, false, true, 2)  val MEMORY_ONLY_SER = new StorageLevel(false, true, false, false)  val MEMORY_ONLY_SER_2 = new StorageLevel(false, true, false, false, 2)  val MEMORY_AND_DISK = new StorageLevel(true, true, false, true)  val MEMORY_AND_DISK_2 = new StorageLevel(true, true, false, true, 2)  val MEMORY_AND_DISK_SER = new StorageLevel(true, true, false, false)  val MEMORY_AND_DISK_SER_2 = new StorageLevel(true, true, false, false, 2)  val OFF_HEAP = new StorageLevel(false, false, true, false) // Tachyon

RDD的persist()和unpersist()操作,都是由SparkContext执行的(SparkContext的persistRDD和unpersistRDD方法)。

Persist过程是把该RDD存在上下文的TimeStampedWeakValueHashMap里维护起来。也就是说,其实persist并不是action,并不会触发任何计算。

Unpersist过程如下,会交给SparkEnv里的BlockManager处理。

private[spark] def unpersistRDD(rddId: Int, blocking: Boolean = true) {    env.blockManager.master.removeRdd(rddId, blocking)    persistentRdds.remove(rddId)    listenerBus.post(SparkListenerUnpersistRDD(rddId))  }

Checkpoint

RDD Actions api里提供了checkpoint()方法,会把本RDD save到SparkContext CheckpointDir

目录下。建议该RDD已经persist在内存中,否则需要recomputation。

如果该RDD没有被checkpoint过,则会生成新的RDDCheckpointData。RDDCheckpointData类与一个RDD关联,记录了checkpoint相关的信息,并且记录checkpointRDD的一个状态,

[ Initialized --> marked for checkpointing --> checkpointing in progress --> checkpointed ]

内部有一个doCheckpoint()方法(会被下面调用)。

执行逻辑

真正的checkpoint触发,在RDD私有方法doCheckpoint()里。doCheckpoint()会被 DAGScheduler调用,且是在此次job里使用这个RDD完毕之后,此时这个RDD就已经被计算或者物化过了。可以看到,会对RDD的父RDD进 行递归。

private[spark] def doCheckpoint() {    if (!doCheckpointCalled) {      doCheckpointCalled = true      if (checkpointData.isDefined) {        checkpointData.get.doCheckpoint()      } else {        dependencies.foreach(_.rdd.doCheckpoint())      }    }  }
RDDCheckpointData的doCheckpoint()方法关键代码如下:
// Create the output path for the checkpointval path = new Path(rdd.context.checkpointDir.get, "rdd-" + rdd.id)val fs = path.getFileSystem(rdd.context.hadoopConfiguration)if (!fs.mkdirs(path)) {  throw new SparkException("Failed to create checkpoint path " + path)}// Save to file, and reload it as an RDDval broadcastedConf = rdd.context.broadcast(  new SerializableWritable(rdd.context.hadoopConfiguration))// 这次runJob最终调的是dagScheduler的runJobrdd.context.runJob(rdd, CheckpointRDD.writeToFile(path.toString, broadcastedConf) _)// 此时rdd已经记录到磁盘上val newRDD = new CheckpointRDD[T](rdd.context, path.toString)if (newRDD.partitions.size != rdd.partitions.size) {  throw new SparkException("xxx")}

runJob最终调的是dagScheduler的runJob。做完后,生成一个CheckpointRDD。

具体CheckpointRDD相关内容可以参考其他章节。

API

子类需要实现的方法

// 计算某个分区def compute(split: Partition, context: TaskContext): Iterator[T]protected def getPartitions: Array[Partition]// 依赖的父RDD,默认就是返回整个dependency序列protected def getDependencies: Seq[Dependency[_]] = depsprotected def getPreferredLocations(split: Partition): Seq[String] = Nil

Transformations

略。

Actions

略。


SubRDDs

部分RDD子类的实现分析,包括以下几个部分:

1)  子类本身构造参数

2)  子类的特殊私有变量

3)  子类的Partitioner实现

4)  子类的父类函数实现

def compute(split: Partition, context: TaskContext): Iterator[T]protected def getPartitions: Array[Partition]protected def getDependencies: Seq[Dependency[_]] = depsprotected def getPreferredLocations(split: Partition): Seq[String] = Nil

CheckpointRDD

class CheckpointRDD[T: ClassTag](sc: SparkContext, val checkpointPath: String)  extends RDD[T](sc, Nil)

CheckpointRDDPartition继承自Partition,没有什么增加。

有一个被广播的hadoop conf变量,在compute方法里使用(readFromFile的时候用)

val broadcastedConf = sc.broadcast(new SerializableWritable(sc.hadoopConfiguration))

getPartitions: Array[Partition]方法:

根据checkpointPath去查看Path下有多少个partitionFile,File个数为partition数目。 getPartitions方法返回的Array[Partition]内容为New CheckpointRDDPartition(i),i为[0, 1, …, partitionNum]

getPreferredLocations(split:Partition): Seq[String]方法:

文件位置信息,借助hadoop core包,获得block location,把得到的结果按照host打散(flatMap)并过滤掉localhost,返回。

compute(split: Partition, context:TaskContext): Iterator[T]方法:

调用CheckpointRDD.readFromFile( file , broadcastedConf ,context)方法,其中file为hadoopfile path,conf为广播过的hadoop conf。

Hadoop文件读写及序列化

伴生对象提供writeToFile方法和readFromFile方法,主要用于读写hadoop文件,并且利用env下的serializer进行序列化和反序列化工作。两个方法具体实现如下:

def writeToFile[T]( path: String, broadcastedConf: Broadcast[SerializableWritable[Configuration]], blockSize: Int = -1)(ctx: TaskContext, iterator: Iterator[T]) {

创建hadoop文件的时候会若存在会抛异常。把hadoop的outputStream放入serializer的stream里, serializeStream .writeAll(iterator)写入。

writeToFile的调用在RDDCheckpointData类的doCheckpoint方法里,如下:

rdd.context.runJob(rdd, CheckpointRDD.writeToFile(path.toString, broadcastedConf) _)
def readFromFile[T](  path: Path,  broadcastedConf: Broadcast[SerializableWritable[Configuration]],  context: TaskContext): Iterator[T] = {

打开Hadoop的inutStream,读取的时候使用env下的serializer得到反序列化之后的流。返回的时候,DeserializationStream这个trait提供了asIterator方法,每次next操作可以进行一次readObject。

在返回之前,调用了TaskContext提供的addOnCompleteCallback回调,用于关闭hadoop的inputStream。

NewHadoopRDD

class NewHadoopRDD[K, V](  sc : SparkContext,  inputFormatClass: Class[_ <: InputFormat[K, V]],  keyClass: Class[K],  valueClass: Class[V],  @transient conf: Configuration)  extends RDD[(K, V)](sc, Nil)  with SparkHadoopMapReduceUtil
private[spark] class NewHadoopPartition(  rddId: Int,  val index: Int,  @transient rawSplit: InputSplit with Writable)  extends Partition {  val serializableHadoopSplit = new SerializableWritable(rawSplit)  override def hashCode(): Int = 41 * (41 + rddId) + index}

getPartitions操作:

根据inputFormatClass和conf,通过hadoop InputFormat实现类的getSplits(JobContext)方法得到InputSplits。(ORCFile在此处的优化)

这样获得的split同RDD的partition直接对应。

compute操作:

针对本次split(partition),调用InputFormat的createRecordReader(split)方法,

得到RecordReader<K,V>。这个RecordReader包装在Iterator[(K,V)]类内,复写 Iterator的next()和hasNext方法,让compute返回的InterruptibleIterator[(K,V)]能够被迭代获得 RecordReader取到的数据。

getPreferredLocations(split: Partition)操作:

theSplit.serializableHadoopSplit.value.getLocations.filter(_ != "localhost")

在NewHadoopPartition里SerializableWritable将split序列化,然后调用InputSplit本身的getLocations接口,得到有数据分布节点的nodes name列表。


WholeTextFileRDD

NewHadoopRDD的子类

private[spark] class WholeTextFileRDD(  sc : SparkContext,  inputFormatClass: Class[_ <: WholeTextFileInputFormat],  keyClass: Class[String],  valueClass: Class[String],  @transient conf: Configuration,  minSplits: Int)  extends NewHadoopRDD[String, String](sc, inputFormatClass, keyClass, valueClass, conf) {

复写了getPartitions方法:

NewHadoopRDD有自己的inputFormat实现类和recordReader实现类。在spark/input package下专门写了这两个类的实现。感觉是种参考。


InputFormat

WholeTextFileRDD在spark里实现了自己的inputFormat。读取的File以K,V的结构获取,K为path,V为整个file的content。

复写createRecordReader以使用WholeTextFileRecordReader

复写setMaxSplitSize方法,由于用户可以传入minSplits数目,计算平均大小(splits files总大小除以split数目)的时候就变了。


RecordReader

复写nextKeyValue方法,会读出指定path下的file的内容,生成new Text()给value,结果是String。如果文件正在被别的进行打开着,会返回false。否则把file内容读进value里。


使用场景

在SparkContext下提供wholeTextFile方法,

def wholeTextFiles(path: String, minSplits: Int = defaultMinSplits):  RDD[(String, String)]

用于读取一个路径下的所有text文件,以K,V的形式返回,K为一个文件的path,V为文件内容。比较适合小文件。


全文完  :)

Spark RDD