宽依赖与窄依赖

窄依赖（narrow dependency）和宽依赖（wide dependency, 也称 shuffle dependency）.

  1. 窄依赖是指父RDD的每个分区只被子RDD的一个分区所使用， 子RDD分区通常对应常数个父RDD分区(O(1)，与数据规模无关), map/filter和union

  2. 相应的，宽依赖是指父RDD的每个分区都可能被多个子RDD分区所使用， 子RDD分区通常对应所有的父RDD分区(O(n)，与数据规模有关), join

宽依赖和窄依赖如下图所示：

相比于宽依赖，窄依赖对优化很有利 ，主要基于以下两点：

  1. 宽依赖往往对应着shuffle操作，需要在运行过程中将同一个父RDD的分区传入到不同的子RDD分区中，中间可能涉及多个节点之间的数据传输；而窄依赖的每个父RDD的分区只会传入到一个子RDD分区中，通常可以在一个节点内完成转换。

  2. 当RDD分区丢失时（某个节点故障），spark会对数据进行重算。

    1. 对于窄依赖，由于父RDD的一个分区只对应一个子RDD分区，这样只需要重算和子RDD分区对应的父RDD分区即可，所以这个重算对数据的利用率是100%的；

    2. 对于宽依赖，重算的父RDD分区对应多个子RDD分区，这样实际上父RDD 中只有一部分的数据是被用于恢复这个丢失的子RDD分区的，另一部分对应子RDD的其它未丢失分区，这就造成了多余的计算；更一般的，宽依赖中子RDD分区通常来自多个父RDD分区，极端情况下，所有的父RDD分区都要进行重新计算。

    3. 如下图所示，b1分区丢失，则需要重新计算a1,a2和a3，这就产生了冗余计算(a1,a2,a3中对应b2的数据)。

Job & Stage & Executor & Task

  • Job： A job is triggered by an action, like count() or saveAsTextFile(). 由action 触发

  • stage： 一个job会被拆分为多组Task，每组任务被称为一个Stage， Stage包含两类：

    • ShuffleMapStage in Spark

      ShuffleMapStage 是在DAG中 属于中间层的stage， 会产生map output file的write disk操作，提供给下一个stage的task使用，并且增加了网络IO，跨stage会是一种高昂的开销，很多情况下应尽量避免， 另外 ShuffleMapStage可以被多个job共享！

    • ResultStage in Spark

action操作会包含在ResultStage里，是DAG中最终的stage， 里面的task会计算最终的action结果

stage内只会存在窄依赖， stage间存在宽依赖，一定存在shuffle过程！

  • 在Spark中有两类task：

    • 一类是shuffleMapTask

    • 一类是resultTask

      第一类task的输出是shuffle所需数据，第二类task的输出是result，stage的划分也以此为依据，shuffle之前的所有变换是一个stage，shuffle之后的操作是另一个stage。比如

rdd.parallize(1 to 10).foreach(println)

这个操作没有shuffle，直接就输出了，那么只有它的task是resultTask，stage也只有一个；如果是

rdd.map(x => (x, 1)).reduceByKey(_ + _).foreach(println)

这个job因为有reduce，所以有一个shuffle过程，那么reduceByKey之前的是一个stage，执行shuffleMapTask，输出shuffle所需的数据，reduceByKey到最后是一个stage，直接就输�