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。
闭包外部变量访问原则
RDD相关操作都需要传入自定义闭包函数（closure），如果这个函数需要访问外部变量，那么需要遵循一定的规则，否则可能会出现异常。闭包函数传入到节点时，需要经过下面的步骤：
- 使用反射机制，找到所有需要访问的变量，并封装到对象中，然后序列化
- 将序列化后的对象通过网络传输到其他节点上
- 反序列化闭包对象
- 子指定节点执行闭包函数，外部变量在闭包内的修改不会被反馈到驱动程序。
简而言之，就是通过网络，传递函数，然后执行。所以，被传递的对象必须可以序列化和反序列化，否则传递失败。单机本地执行时，仍然会执行上面四步。
广播机制也可以做到这一点，但是频繁的使用广播会使代码不够简洁，而且广播设计的初衷是将较大数据缓存到节点上，避免多次数据传输，提高计算效率，而不是用于进行外部变量访问。
参考资料