回復力のある分散データセット (RDD) とは何ですか?

耐障害性分散データセット（RDD）とは、Spark のリリース以降、Spark の主要なユーザー向け API として利用されてきました。RDD は、クラスタ内の複数のノードに配置されたデータ要素の不変の集合体であり、変換その他の操作のための基礎的な API と並行して使用することが可能です。

RDD の使用が適した 5 つのケース

1. データセットに対し、低レベルの変換やアクション、管理を実行する場合
2. 所有データがメディアストリームやテキストストリームなどの非構造化データである場合
3. ドメイン固有言語ではなく、関数型プログラミングでデータを処理する場合
4. 名前や列によるデータ属性の処理や、アクセスの際に、列指向フォーマットなどのスキーマの指定を厭わない場合
5. 構造化・半構造化データに対する DataFrames や Datasets の最適化機能や性能を必要としない場合

Apache Spark 2.0 における RDD の役割

RDD が不要になり、廃止されることはありません。さらに言うと、DataFrame や Dataset と RDD の間では、シンプルな API メソッドを呼び出すことによりシームレスな移動が可能で、DataFrame や Dataset は、RDD を基盤としています。

関連資料

• Apache Spark の 3 つの API について：RDD 対 DataFrames と Datasets
• 耐障害性分散データセット（RDD）：インメモリクラスタコンピューティングのためのフォールトトレラントな抽象化（リサーチペーパー）