【Spark篇】--Spark中的宽窄依赖和Stage的划分

一、前述

RDD之间有一系列的依赖关系，依赖关系又分为窄依赖和宽依赖。

Spark中的Stage其实就是一组并行的任务，任务是一个个的task 。

二、具体细节

• 窄依赖

父RDD和子RDD partition之间的关系是一对一的。或者父RDD一个partition只对应一个子RDD的partition情况下的父RDD和子RDD partition关系是多对一的。不会有shuffle的产生。父RDD的一个分区去到子RDD的一个分区。

• 宽依赖

父RDD与子RDD partition之间的关系是一对多。会有shuffle的产生。父RDD的一个分区的数据去到子RDD的不同分区里面。

其实区分宽窄依赖主要就是看父RDD的一个Partition的流向，要是流向一个的话就是窄依赖，流向多个的话就是宽依赖。看图理解：

• Stage概念

Spark任务会根据RDD之间的依赖关系，形成一个DAG有向无环图，DAG会提交给DAGScheduler，DAGScheduler会把DAG划分相互依赖的多个stage，划分stage的依据就是RDD之间的宽窄依赖。遇到宽依赖就划分stage,每个stage包含一个或多个task任务。然后将这些task以taskSet的形式提交给TaskScheduler运行。     stage是由一组并行的task组成。

• stage切割规则

切割规则：从后往前，遇到宽依赖就切割stage。

• stage计算模式

pipeline管道计算模式,pipeline只是一种计算思想，模式。

备注：图中几个理解点：

1、Spark的pipeLine的计算模式，相当于执行了一个高阶函数f3(f2(f1(textFile))) !+!+!=3 也就是来一条数据然后计算一条数据，把所有的逻辑走完，然后落地，准确的说一个task处理遗传分区的数据 因为跨过了不同的逻辑的分区。而MapReduce是 1+1=2,2+1=3的模式，也就是计算完落地，然后在计算，然后再落地到磁盘或内存，最后数据是落在计算节点上，按reduce的hash分区落地。所以这也是比Mapreduce快的原因，完全基于内存计算。

2、管道中的数据何时落地：shuffle write的时候，对RDD进行持久化的时候。

3.   Stage的task并行度是由stage的最后一个RDD的分区数来决定的 。一般来说，一个partiotion对应一个task,但最后reduce的时候可以手动改变reduce的个数，也就是分区数，即改变了并行度。例如reduceByKey(XXX,3),GroupByKey(4)，union由的分区数由前面的相加。

4.、如何提高stage的并行度：reduceBykey(xxx,numpartiotion),join(xxx,numpartiotion)

• 测试验证pipeline计算模式

  import org.apache.spark.SparkConf
  import org.apache.spark.SparkContext
  import java.util.Arrays
  
  object PipelineTest {
    def main(args: Array[String]): Unit = {
      val conf = new SparkConf()
      conf.setMaster("local").setAppName("pipeline");
      val sc = new SparkContext(conf)
      val rdd = sc.parallelize(Array(1,2,3,4))
      val rdd1 = rdd.map { x => {
        println("map--------"+x)
        x
      }}
      val rdd2 = rdd1.filter { x => {
        println("fliter********"+x)
        true
      } }
      rdd2.collect()
      sc.stop()
    }
  }
  

  

  可见是按照所有的逻辑将数据一条条的执行。！！！