用实例说明Spark stage划分原理

注意：此文的stage划分有错，stage的划分是以shuffle操作作为边界的，可以参考《spark大数据处理技术》第四章page rank例子！

参考：http://litaotao.github.io/deep-into-spark-exection-model

我们用一个例子来说明，结合例子和运行截图来理解。

1.1 例子，美国 1880 － 2014 年新生婴儿数据统计

目标：用美国 1880 － 2014 年新生婴儿的数据来做做简单的统计
数据源：https://catalog.data.gov
数据格式：
- 每年的新生婴儿数据在一个文件里面
- 每个文件的每一条数据格式：姓名,性别,新生人数

代码和结果展示

### packages

import pandas as pd

### spark UDF (User Defined Functions)

def map_extract(element):

    file_path, content = element

    year = file_path[-8:-4]

    return [(year, i) for i in content.split("\r\n") if i]

### spark logic

res = sc.wholeTextFiles('hdfs://10.21.208.21:8020/user/mercury/names',

                        minPartitions=40)  \

        .map(map_extract) \

        .flatMap(lambda x: x) \

        .map(lambda x: (x[0], int(x[1].split(',')[2]))) \

        .reduceByKey(operator.add) \

        .collect()

### result displaying

data = pd.DataFrame.from_records(res, columns=['year', 'birth'])\

         .sort(columns=['year'], ascending=True)

ax = data.plot(x=['year'], y=['birth'],

                figsize=(20, 6),

                title='US Baby Birth Data from 1897 to 2014',

                linewidth=3)

ax.set_axis_bgcolor('white')

ax.grid(color='gray', alpha=0.2, axis='y')

1.2 运行流程概览

上面的 22 行代码，就已经把构建一个 spark app 的三大步骤完成了，amazing, right? 今天我们主要讲 spark 的运行逻辑，所以我们就以核心的 11 － 16 ，这六行代码来作为今天的主线，了解了解 spark 的原理。

可以看到，整个逻辑实际上就用了 sparkContext 的一个函数，rdd 的 3 个 transformation 和 1 个 action。

现在让我们从 WEB UI 上来看看，当我们运行这段代码的时候，后台都发生了什么。可以看到，执行这段代码的时候，spark 通过分析，优化代码，知道这段代码需要一个 job 来完成，所以 web ui 上只有一个 job。值得深究的是，这个 job 由两个 stage 完成，这两个 state 一共有 66 个 task。

所以，这里我们就再次理解下 spark 里，job，stage，task 的概念：

job : A job is triggered by an action, like count() or saveAsTextFile(). Click on a job to see information about the stages of tasks inside it. 理解了吗，所谓一个 job，就是由一个 rdd 的 action 触发的动作，可以简单的理解为，当你需要执行一个 rdd 的 action 的时候，会生成一个 job。
stage : stage 是一个 job 的组成单位，就是说，一个 job 会被切分成 1 个或 1 个以上的 stage，然后各个 stage 会按照执行顺序依次执行。
task : A unit of work within a stage, corresponding to one RDD partition。即 stage 下的一个任务执行单元，一般来说，一个 rdd 有多少个 partition，就会有多少个 task，因为每一个 task 只是处理一个 partition 上的数据。从 web ui 截图上我们可以看到，这个 job 一共有 2 个 stage，66 个 task，平均下来每个 stage 有 33 个 task，相当于每个 stage 的数据都有 33 个 partition [注意：这里是平均下来的哦，并不都是每个 stage 有 33 个 task，有时候也会有一个 stage 多，另外一个 stage 少的情况，就看你有没有在不同的 stage 进行 repartition 类似的操作了。]

1.3 运行流程之 : job

根据上面的截图和再次重温，我们知道这个 spark 应用里只有一个 job，那就是因为我们执行了一个 collect 操作，即把处理后的数据全部返回到我们的 driver 上，进行后续的画图，返回的数据如下图：

1.4 运行流程之 : stage

我们这个 spark 应用，生成了一个 job，这个 job 由 2 个 stage 组成，并且每个 stage 都有 33 个task，说明每个 stage 的数据都在 33 个 partition 上，这下我们就来看看，这两个 stage 的情况。

首先，我们先看看为什么这里会有两个 stage，根据『 Spark 』2. spark 基本概念解析中对 stage 的描述，目前有两个划分 stage 的标准：

当触发 rdd 的 action 时 : 在我们的应用中就是最后的 collect 操作，关于这个操作的说明，可以看官方文档:rdd.collect
当触发 rdd 的 shuffle 操作时 : 在我们的应用中就是 reduceByKey 这个操作，官方文档: rdd.reduceByKey

再次回顾上面那张图：

这下应该就明了了，关于两个 stage 的情况：

第一个 stage，即截图中 stage id 为 0 的 stage，其执行了sc.wholeTextFiles().map().flatMap().map().reduceByKey() 这几个步骤，因为这是一个 Shuffle 操作，所以后面会有 Shuffle Read 和 Shuffle Write。具体来说，就是在 stage 0 这个 stage 中，发生了一个 Shuffle 操作，这个操作读入 22.5 MB 的数据，生成 41.7 KB 的数据，并把生成的数据写在了硬盘上。
第二个 stage，即截图中 stage id 为 1 到 stage，其执行了 collect() 这个操作，因为这是一个 action 操作，并且它上一步是一个 Shuffle 操作，且没有后续操作，所以这里 collect() 这个操作被独立成一个 stage 了。这里它把上一个 Shuffle 写下的数据读取进来，然后一起返回到 driver 端，所以这里可以看到他的 Shuffle Read 这里刚好读取了上一个 stage 写下的数据。