Spark分析之Dependency

在Spark中，每一个RDD是对于数据集在某一状态下的表现形式，比如说：map、filter、group by等都算一次操作，这个状态有可能是从前一状态转换而来的；

因此换句话说一个RDD可能与之前的RDD(s)有依赖关系；RDD之间存在依赖关系；

根据依赖关系的不同，可以将RDD分成两种不同的类型：宽依赖和窄依赖。

窄依赖：一个父RDD的partition至多被子RDD的某个partition使用一次；

宽依赖：一个父RDD的partition会被子RDD的partition使用多次，需要shuffle操作；

图中方框描述：外面的大方框是一个RDD，里面的小方块是RDD中的partition，多个partition组成一个RDD

窄依赖

定义：一个父RDD的partition至多被子RDD的某个partition使用一次；

不需要shuffle，partition范围不会改变，一个partition经过transform后还是一个partition，虽然内容发生了变化；可以进行pipeline计算，快速完成；

在某个节点上可以一次性全部计算完所有的父partition（pipeline流水式的计算方式）：

a.map().filter().reduceByKey() 这样多步操作一次性计算完毕，而不需要第一步执行完后保存起来，第二步再去读取再计算再存储。。。。。。

窄依赖可以在单节点上完成运算，非常高效。

容错：某个partition挂了，快速将丢失的partition并行计算出来。

容错和计算速度都比宽依赖强。

窄依赖又分为两种：

OneToOneDependency：一对一的依赖，一父一子，最典型的是map/filter。

RangeDependency：一定范围的RDD直接对应，最典型的是Union。

　　parent RDD的某个分区的partitions对应到child RDD中某个区间的partitions；
　　union：多个parent RDD合并到一个chind RDD，故每个parent RDD都对应到child RDD中的一个区间；
　　注意：union不会把多个partition合并成一个partition，而是简单的把多个RDD的partitions放到一个RDD中，partition不会发生变化。

宽依赖

定义：一个父RDD的partition会被子RDD的partition使用多次；只能前面的算好后才能进行后续的计算；只有等到父partition的所有数据都传输到各个节点后才能计算（经典的mapreduce场景）

容错：某个partition挂了，要计算前面所有的父partition，代价很大。

spark是把map部分的数据计算完成后物化到map端的磁盘上，挂了之后直接从磁盘中读取即可。

class ShuffleDependency[K, V](
    @transient rdd: RDD[_ <: Product2[K, V]],
    val partitioner: Partitioner,
    val serializerClass: String = null)
  extends Dependency(rdd.asInstanceOf[RDD[Product2[K, V]]]) {
  val shuffleId: Int = rdd.context.newShuffleId()
}

首先：需要基于PairRDD，因为一般需要依据key进行shuffle，所以数据结构往往是key-value；
其次：由于需要shuffle，所以就需要给出partitioner；
然后：shuffle不像map可以在local运行，往往需要网络传输或存储，所以需要serializerClass；
最后：每个shuffle需要分配一个全局的id，context.newShuffleId()的实现就是把全局id累加；