Introdução aos RDDs

Iniciante⏱30-40 minutos📖4 min de leituraLição 4 de 10

Introdução aos RDDs

Aprenda sobre Resilient Distributed Datasets, criando RDDs com parallelize() e textFile(), e entendendo a linhagem RDD

Resilient Distributed Datasets (RDDs) são a estrutura de dados fundamental no Apache Spark. Eles representam uma coleção imutável e particionada de elementos que podem ser processados em paralelo.

O que é um RDD?

Um RDD tem três características principais:

Característica	Descrição
Resilient	Recupera-se automaticamente de falhas usando linhagem
Distributed	Dados são particionados em múltiplos nós
Dataset	Uma coleção de objetos tipados (Python, Scala, Java)

ℹ️Nota

Embora DataFrames e Datasets sejam agora as APIs recomendadas, entender RDDs é crucial para otimização de baixo nível e quando se trabalha com dados não estruturados.

Propriedades dos RDDs

Imutabilidade: RDDs não podem ser modificados após a criação. Transformações produzem novos RDDs.
Avaliação Preguiçosa: Transformações não são executadas até que uma ação seja chamada.
Particionamento: Dados são divididos em partições que podem ser processadas em paralelo.
Linhagem: Spark rastreia as transformações usadas para construir um RDD, permitindo recuperação de falhas.

Criando RDDs

De uma Coleção com `parallelize()`

python

from pyspark.sql import SparkSession

spark = SparkSession.builder \
    .appName("RDDIntro") \
    .master("local[*]") \
    .getOrCreate()

sc = spark.sparkContext

# Criar um RDD a partir de uma lista Python
data = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
rdd = sc.parallelize(data)

print(rdd.collect())
# Saída: [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

Especificando a Contagem de Partições

python

# Criar RDD com 4 partições
rdd = sc.parallelize(data, numSlices=4)
print(f"Número de partições: {rdd.getNumPartitions()}")

# Obter tamanhos das partições
glommed = rdd.glom().collect()
for i, partition in enumerate(glommed):
    print(f"Partição {i}: {partition}")

⚠️Aviso

Muitas poucas partições subutilizam os recursos do cluster. Muitas partições criam sobrecarga de agendamento. Um bom ponto de partida é 2-4 partições por núcleo.

De um Arquivo com `textFile()`

python

# Ler um arquivo de texto — cada linha se torna um elemento
rdd = sc.textFile("data/sample.txt")

# Ler múltiplos arquivos usando wildcards
rdd = sc.textFile("data/logs/*.log")

# Ler do HDFS
rdd = sc.textFile("hdfs://namenode:9000/user/data/logs/")

# Ler do S3
rdd = sc.textFile("s3a://my-bucket/logs/2024/*.gz")

print(f"Número de linhas: {rdd.count()}")
print(f"Primeiras 5 linhas: {rdd.take(5)}")

Controlando a Contagem de Partições para Arquivos

python

# Partições mínimas (Spark pode usar mais com base na contagem de blocos HDFS)
rdd = sc.textFile("data/large_file.txt", minPartitions=10)

ℹ️Nota

Para textFile(), se o arquivo estiver no HDFS, Spark cria uma partição por bloco HDFS (padrão 128 MB). Você pode aumentar partições com minPartitions mas não pode reduzir abaixo da contagem de blocos HDFS.

Outros Métodos de Criação

python

# De um arquivo de texto inteiro (retorna pares (nome_arquivo, conteúdo))
rdd = sc.wholeTextFiles("data/directory/")

# De um arquivo tipo CSV (parsing manual necessário)
rdd = sc.textFile("data/people.csv")
header = rdd.first()
data = rdd.filter(lambda row: row != header)

# RDD vazio
empty_rdd = sc.emptyRDD()

# Range RDD
range_rdd = sc.range(1, 1000, step=1, numSlices=10)

Linhagem RDD

Spark registra cada transformação como um grafo de linhagem (DAG). Se uma partição for perdida, Spark a recalcula reproduzindo a linhagem.

python

rdd1 = sc.textFile("data/sample.txt")
rdd2 = rdd1.filter(lambda line: "ERROR" in line)
rdd3 = rdd2.map(lambda line: (line.split(",")[0], 1))
rdd4 = rdd3.reduceByKey(lambda a, b: a + b)

# Visualizar linhagem
print(rdd4.toDebugString())
# (4) ShuffledRDD[4] at reduceByKey at <...>
#  +-(3) MapPartitionsRDD[3] at map at <...>
#     |  MapPartitionsRDD[2] at filter at <...>
#     |  data/sample.txt MapPartitionsRDD[1] at textFile at <...>
#     |  data/sample.txt HadoopRDD[0] at textFile at <...>

✅Sucesso

A linhagem RDD é o principal mecanismo de tolerância a falhas do Spark. Ela evita a necessidade de replicação ou checkpointing porque partições perdidas podem sempre ser recalculadas a partir dos dados de origem.

Tipos de RDDs

Tipo de RDD	Descrição	Exemplo
HadoopRDD	Lê de HDFS, S3, etc.	`sc.textFile()`
ParallelCollectionRDD	De uma coleção local	`sc.parallelize()`
MapPartitionsRDD	Após map/flatMap/filter	`rdd.map()`
ShuffledRDD	Após operações de shuffle	`rdd.reduceByKey()`
UnionRDD	União de múltiplos RDDs	`rdd1.union(rdd2)`
CoGroupedRDD	Após cogroup/join	`rdd1.join(rdd2)`

Entendendo o Spark Context

O SparkContext (sc) é o ponto de entrada para a funcionalidade Spark de baixo nível.

python

from pyspark import SparkContext

# Criar SparkContext diretamente (menos comum com SparkSession)
sc = SparkContext("local[*]", "MyContext")

# Obter contexto do SparkSession
sc = spark.sparkContext

print(f"Paralelismo padrão: {sc.defaultParallelism}")
print(f"ID da Aplicação: {sc.applicationId}")
print(f"Versão Spark: {sc.version}")

Trabalhando com RDDs Chave-Valor

Muitas operações Spark trabalham com pares chave-valor (tuplas de dois elementos).

python

# Criar um RDD chave-valor
data = [("Alice", 34), ("Bob", 45), ("Charlie", 28)]
rdd = sc.parallelize(data)

# Chaves e valores
print(rdd.keys().collect())    # ['Alice', 'Bob', 'Charlie']
print(rdd.values().collect())  # [34, 45, 28]

# Consultar uma chave (eficiente se RDD for particionado)
print(rdd.lookup("Alice"))     # [34]

⚠️Aviso

Operações chave-valor como reduceByKey e groupByKey disparam um shuffle: os dados são redistribuídos entre partições por chave. Shuffles são caros e devem ser minimizados.

Persistência RDD

Por padrão, RDDs são recalculados cada vez que uma ação é executada. Use cache() ou persist() para manter dados em memória.

python

# Cachear RDD em memória
rdd_cached = rdd.cache()

# Persistir com nível de armazenamento
from pyspark import StorageLevel
rdd_persisted = rdd.persist(StorageLevel.MEMORY_AND_DISK)

Nível de Armazenamento	Descrição
`MEMORY_ONLY`	Armazenar como objetos desserializados em memória (padrão)
`MEMORY_AND_DISK`	Memória primeiro, spill para disco
`DISK_ONLY`	Armazenar apenas em disco
`MEMORY_ONLY_SER`	Armazenar como objetos serializados (mais compacto)
`OFF_HEAP`	Armazenar em memória off-heap

Principais Conclusões

RDDs são coleções imutáveis, particionadas e tolerantes a falhas
Crie RDDs via parallelize() (coleções) ou textFile() (arquivos)
Transformações são preguiçosas: nada acontece até uma ação
Linhagem rastreia como recalcular qualquer partição perdida
RDDs chave-valor permitem operações baseadas em shuffle
Persistência (cache/persist) evita recálculo

Perguntas de Prática

O que significa "Resilient" no contexto de RDDs?
Qual é a diferença entre parallelize() e textFile()?
Como a avaliação preguiçosa melhora o desempenho do Spark?
O que é linhagem RDD e como ela permite tolerância a falhas?
Quantas partições sc.textFile() cria para um arquivo de 512 MB no HDFS (blocos de 128 MB)?
O que é um shuffle e por que é caro?
Quando você usaria persist(StorageLevel.MEMORY_AND_DISK) em vez de cache()?
O que rdd.glom().collect() mostra?
Como você cria um RDD com um número específico de partições?
Qual é a diferença entre um RDD e uma lista Python regular?

Progresso40%

Instalação do Spark e SparkSession

Transformações RDD

Dica: use ← e → para trocar de lições

Contéudo do Curso

1. Introdução ao Big Data 2. Arquitetura Spark 3. Instalação do Spark e SparkSession 4. Introdução aos RDDs 5. Transformações RDD 6. Ações RDD 7. Fundamentos de DataFrames 8. Operações com DataFrame 9. Fundamentos do Spark SQL 10. Projeto Iniciante: Análise de Corridas de Táxi em NYC

Introdução aos RDDs

O que é um RDD?

Propriedades dos RDDs

Criando RDDs

De uma Coleção com parallelize()

Especificando a Contagem de Partições

De um Arquivo com textFile()

Controlando a Contagem de Partições para Arquivos

Outros Métodos de Criação

Linhagem RDD

Tipos de RDDs

Entendendo o Spark Context

Trabalhando com RDDs Chave-Valor

Persistência RDD

Principais Conclusões

Perguntas de Prática

Contéudo do Curso

De uma Coleção com `parallelize()`

De um Arquivo com `textFile()`