本文目的
?
最近在使用Spark进行数据清理的相关工作，初次使用Spark时，遇到了一些挑（da）战（ken）。感觉需要记录点什么，才对得起自己。下面的内容主要是关于Spark核心—RDD的相关的使用经验和原理介绍，作为个人备忘，也希望对读者有用。
?
为什么选择Spark
?
原因如下
- 代码复用：使用Scala高级语言操作Spark，灵活方便，面向对象，函数编程的语言特性可以全部拿来。Scala基本上可以无缝集成java及其相关库。最重要的是，可以封装组件，沉淀工作，提高工作效率。之前用hive + python的方式处理数据，每个处理单元是python文件，数据处理单元之间的交互是基于数据仓库的表格，十分不灵活，很难沉淀常见的工作。
- 机器学习：Spark可以实现迭代逻辑，可以轻松实现一些常见的机器学习算法，而且spark自带机器学习库mllib和图算法包graphyx，为后面的数据挖掘应用提供了想象空间。
?
Spark计算性能虽然明显比Hadoop高效，但并不是我们技术选型的主要原因，因为现有基于Hadoop +hive的计算性能已经足够了。
?
?
基石哥—RDD
?
整个spark衍生出来的工具都是基于RDD（Resilient Distributed Datesets），如图：
RDD是一个抽象的数据集，提供对数据并行和容错的处理。初次始使用RDD时，其接口有点类似Scala的Array，提供map，filter，reduce等操作。但是，不支持随机访问。刚开始不太习惯，但是逐渐熟悉函数编程和RDD 的原理后，发现随机访问数据的场景并不常见。
?
为什么RDD效率高
?
Spark官方提供的数据是RDD在某些场景下，计算效率是Hadoop的20X。这个数据是否有水分，我们先不追究，但是RDD效率高的由一定机制保证的：
- RDD数据只读，不可修改。如果需要修改数据，必须从父RDD转换（transformation）到子RDD。所以，在容错策略中，RDD没有数据冗余，而是通过RDD父子依赖（血缘）关系进行重算实现容错。
- 多个RDD操作之间，数据不用落地到磁盘上，避免不必要的I/O操作。
- RDD中存放的数据可以是java对象，所以避免的不必要的对象序列化和反序列化。
总而言之，RDD高效的主要因素是尽量避免不必要的操作和牺牲数据的操作精度，用来提高计算效率。
?
变量分享
?
RDD使用中，很重要的场景就是变量分享，举个例子：
|
var my_var = … // 外部变量 my_rdd.map(x => x + my_var) |
在上面的例子中，my_rdd是一个RDD[Int]对象，在进行map操作时，RDD会将函数{x => x+my_var}打包成一个java对象，然后序列化，并且分发到my_rdd所在的节点上。但是，my_var是一个外部变量，这种变量是否也会传到其他节点上呢？这取决于实际情况。
?
比如这个例子，
|
var my_var = 5 my_rdd.map(x => x + my_var) |
此时，my_var = 5是会被一起打包，并发送到其他节点上。
?
再看这个例子，
|
var my_var = read_user_input my_rdd.map(x => x + my_var) |
此时，编译没有问题，但是运行时会报错，声称找不到my_var。其解决方案如下,
|
var bc_ my_var = spark_context.broadcast(read_user_input) my_rdd.map(x => x + bc_my_var.value) |
显示的通过广播的方式，将变量送到其他节点，这样在运行时，外部变量就可以被正确访问。
?
原则：编译时可以找到外部变量的值，那么将会被打包到RDD函数中；否则，那些只有在运行时才能确定的外部变量，必须通过广播机制，显示的发送到其他节点。
?
参考资料