Spark RDD 介紹與範例指令

Apache Spark是In-Memory大數據資料運算框架，Spark的核心是RDD，Spark主要優勢是來自RDD本身的特性，要運用Spark一定要先了解RDD。
 
Spark的核心是RDD（Resilient Distributed Dataset）彈性分散式資料集，是由AMPLab實驗室所提出的概念，屬於一種分散式的記憶體。RDD能與其他系統相容，可以匯入外部儲存系統的資料集，例如：HDFS、HBase或其他Hadoop 資料來源。

RDD的三種基本運算

在RDD之上，可以施加三種類型的運算：

RDD運算類型	說明
「轉換」運算Transformation	RDD執行「轉換」運算的結果，會產生另外一個RDD。 但是由於RDD的lazy特性，「轉換」運算並不會立刻實際執行，它會等到執行到「動作」運算，才會實際執行。
「動作」運算Action	RDD執行「動作」運算後，不會產生另外一個RDD，它會產生數值、陣列或寫入檔案系統。 RDD執行「動作」運算時，會立刻實際執行，並且連同之前的「轉換」運算一併執行。
「持久化」Persistence	對於那些會重複使用的RDD，可以將RDD「持久化」在記憶體中做為後續使用，以加快執行效能。

 Lineage機制具備容錯的特性

RDD透過「轉換（Transformation）」運算可以得出新的RDD，但Spark會延遲這個「轉換」動作的發生時間點。它並不會馬上執行，而是等到執行了Action之後，才會基於所有的RDD關係來執行轉換。

如上圖所示：

輸入資料，執行「轉換1」運算產生RDD1，此時不會實際執行，只記錄操作命令

• RDD1 執行「轉換2」運算產生RDD2，此時不會實際執行，只記錄操作命令
• RDD2 執行「轉換3」運算產生RDD3，此時不會實際執行，只記錄操作命令
• RDD2 執行「轉換4」運算產生RDD4，此時不會實際執行，只記錄操作命令
• RDD3 執行「動作1」運算，此時會實際執行：「轉換1」+「轉換2」+「轉換3」+「動作1」，產生輸出資料1
• RDD5執行「動作2」運算，此時會實際執行：「轉換1」+「轉換2」+「轉換4」+「動作2」，產生輸出資料2

（如果你之前已經先執行「動作1」運算，所以「轉換1」+「轉換2」已經實際執行完成，在此只會實際執行「轉換4」+「動作2」，節省執行時間）

RDD本身Lineage機制，它會記錄每個RDD與其父代RDD之間的關聯，他會紀錄透過什麼操作，才由父代RDD得到該RDD的資訊。

RDD本身immutable不可變的特性，再加上Lineage機制，使得Spark具備容錯的特性。如果某節點機器故障，儲存於節點上的RDD損毀，能重新執行一連串的「轉換」指令，產生新的輸出資料，如此就可以避免因為特定節點故障，造成整個系統無法運作的問題。

建立RDD

建立intRDD

建立RDD最簡單的方式，就是使用SparkContext 的parallelize 方法，如下列指令： 

val intRDD = sc.parallelize(List(3,1, 2, 5, 5))
intRDD.collect()

先使用val定義intRDD，然後使用parallelize方法輸入一個List的參數，以建立intRDD。不過這也是一個「轉換」運算，所以不會馬上實際執行。 必須等執行collect()後，會轉換為Array。這是一個「動作」運算所以會立刻執行
建立stringRDD
parallelize方法除了可以建立Int的RDD，也可建立String的RDD，如下列指令

val stringRDD = sc.parallelize(List("Apple", "Orange", "Banana","Grape","Apple"))
stringRDD.collect()

Map運算

map運算可以透過傳入的函數，將每一個元素經過函數運算產生另外一個RDD。如下圖所示，RDD透過傳入的函數addOne，將每一個元素加1而產生另外一個RDD。

在spark的map運算中，可以使用下列3種語法：
具名函數的寫法:
1.先定義addOne函數並傳入參數x，此函數會將x加1再回傳。
2.然後將函數名稱addOne做為參數傳入map命令，map命令會將每一個元素加1，來產生另外一個RDD。
3.不過因為map是一個「轉換」運算，所以不會馬上執行。為了方便示範，所以我們加上collect()這個「動作」運算立即執行。
4.具名函數的語法固然可以達成我們的目的，可是這種語法很麻煩。

def addOne(x :Int):Int={
return (x+1)
}
intRDD.map(addOne).collect()

匿名函數的寫法:
map運算可以使用更簡單的語法。如下列指令，map會傳入(x=>x+1)做為參數，這是lambda 語法的anonymous functions匿名函數。其中x是傳入參數，x+1是要執行的命令，告訴map運算每一個元素都要加1。匿名函數的語法命令簡潔多了，而且讓程式碼更易讀。

intRDD.map(x => x + 1).collect()

匿名函數+匿名參數的寫法:
還有更簡單的語法，使用匿名參數時可以用底線 _ 來取代參數x=>x 。這種語法固 然更簡潔，但是可能很多讀者會不習慣這種語法，可能會影響程式碼的理解，可以 視個人喜好使用。

intRDD.map(_ + 1).collect() 

執行後如下畫面，這3種語法執行結果完全相同，都是將原本(3,1, 2, 5, 5) 每一個數字都加1變成(4, 2, 3, 6, 6)。



filter字串運算
filter可以讓你對RDD內每一個元素進行篩選，並且產生另外的RDD。 例如篩選內含ra的字串

stringRDD.filter(x =>x.contains("ra") ).collect()

多個RDD「轉換」運算 
建立3個範例RDD

val intRDD1 = sc.parallelize(List(3, 1, 2, 5, 5))
val intRDD2 = sc.parallelize(List(5, 6))
val intRDD3 = sc.parallelize(List(2, 7))

union 聯集運算

intRDD1.union(intRDD2).union(intRDD3).collect()
(intRDD1 ++ intRDD2++ intRDD3).collect()

intersection 交集運算

intRDD1.intersection(intRDD2).collect()

subtract 差集運算

intRDD1.subtract(intRDD2).collect()

cartesian笛卡兒乘積運算

intRDD1.cartesian(intRDD2).collect()

統計功能

命令	說明
intRDD.stats	統計
intRDD.min	最小
intRDD.max	最大
intRDD.stdev	標準差
intRDD.count	數量
intRDD.sum	加總
intRDD.mean	平均

此圖出自Spark官網 https://spark.apache.org/

以上內容節錄自這本書，很適合Python程式設計師學習Spark機器學習與大數據架構，點選下列連結查看本書詳細介紹:
  Python+Spark 2.0+Hadoop機器學習與大數據分析實戰
  http://pythonsparkhadoop.blogspot.tw/2016/10/pythonspark-20hadoop.html

《購買本書 限時特價專區》
博客來網路書店： http://www.books.com.tw/products/0010730134?loc=P_007_090

天瓏網路書店： https://www.tenlong.com.tw/items/9864341537?item_id=1023658
  
露天拍賣：http://goods.ruten.com.tw/item/show?21640846068139
蝦皮拍賣：https://goo.gl/IEx13P